OpenAI: GPT-4o Transcribe

GPT-4o Transcribe er OpenAIs tale-til-tekst-model baseret på GPT-4o. Inputtet er lyd med valgfri tekstvejledning, og outputtet er genkendt tekst. Modellen er adskilt fra GPT-4o Mini Transcribe-udgaven og fra GPT-4o Transcribe Diarize, den specialiserede model til talermærkning. Brug denne profil til at udarbejde en troværdig skriftlig gengivelse af talt materiale, og hold kildeoptagelsen tilgængelig til gennemgang og senere redaktionelt arbejde.

Filinput og forberedelse af langt materiale

OpenAIs transskriptionsvejledning dokumenterer uploads på op til 25 MB. Den aktuelle endepunktsreference accepterer FLAC, MP3, MP4, MPEG, MPGA, M4A, OGG, WAV og WebM og anbefaler filmetadata, der identificerer formatet, herunder et filnavn med filendelse og en passende indholdstype. For en større optagelse følger komprimering eller ordnede dele på højst 25 MB leverandørens vejledning til længere input. Undgå at opdele midt i en sætning, og bevar hver dels placering i den fulde optagelse.

Ved et interview skal du knytte hver inputfil til optagelsen og den passage, filen dækker. Ved en teknisk præsentation skal du forberede relevante produktnavne, akronymer og fagtermer som kontekst og derefter kontrollere stavningen mod det, taleren faktisk sagde. Ved en optaget forklaring med talværdier skal du gennemgå transskriptionen sammen med kilden, før den bliver til en skriftlig procedure. Det første ønskede resultat er genkendt tale i tekstform; en sammenfattet rapport eller et oversat dokument kan udarbejdes separat ud fra teksten.

Optagelsesspecifikke prompter og valg af sprog

Leverandørens vejledning omfatter udtrykkeligt GPT-4o Transcribe i sin understøttelse af prompter. En prompt kan levere korrekte stavemåder, kontekst fra et tidligere segment og præferencer for tegnsætning, store og små bogstaver, fyldord eller et skriftsystem. Ifølge referencen skal den matche optagelsens sprog. En kort, relevant beskrivelse af emnet og ordforrådet giver transskriptionen nyttig kontekst uden at gøre ord, som ikke blev sagt, til påkrævet output.

Denne profil understøtter et hint om ét sprog i feltet language, dokumenteret i ISO 639-1-format. Angivelse af det faktiske inputsprog kan hjælpe genkendelsen. De nyere felter keywords og languages fra GPT Transcribe tilhører den særskilt navngivne model og må ikke forudsættes at gælde for GPT-4o Transcribe. Hold sprogindstillingen knyttet til den tale, du transskriberer, og bevar den originale ordlyd før en senere oversættelse eller stilistisk omskrivning.

Resultatformat, sandsynligheder og specialiserede output

Den aktuelle endepunktsreference dokumenterer JSON som det understøttede svarformat for GPT-4o Transcribe. Resultatet indeholder genkendt tekst, og valgfrie logaritmiske sandsynligheder for tokens kan anmodes om med dette JSON-format. Sandsynlighedsdataene beskriver modellens valg af tokens. De kan pege på passager, der bør undersøges, men det er en sammenligning med lyden, der fastslår, om transskriptionen gengiver et vanskeligt navn, tal eller udtryk.

Standardprofilens JSON-resultat leverer ikke direkte understøttede undertekstformater, detaljerede tidsstempler på ordniveau eller talertildelinger. OpenAI dokumenterer andre valg af model og format, når disse output er nødvendige; GPT-4o Transcribe Diarize er den særskilte udgave til talermærkning. Til en undertekstopgave skal du bevare en kontrolleret transskription til et egnet trin med tidsplacering. Ved en samtale må du ikke opfinde talernavne, blot fordi et afsnit i transskriptionen tilsyneladende skifter emne eller stemme.

Streamede resultater fra en afsluttet fil

Ifølge OpenAIs tale-til-tekst-vejledning understøtter eksisterende GPT-4o Transcribe-integrationer filstreaming. Applikationen leverer først optagelsen og modtager derefter transskriberet tekst, mens optagelsen behandles, og gemmer det færdige resultat. Dette streamer transskriptionen af en afsluttet optagelse frem for at modtage mikrofonlyd, efterhånden som den kommer. Det præcise modelkort opfører også endepunktsfamilierne transskription og Realtime; den modelspecifikke sessionsadfærd skal fortsat knyttes til denne profil frem for at blive lånt fra en nyere model til kontinuerlig streaming.

Modelgrænser og kontrol af det endelige resultat

Den aktuelle specifikation for GPT-4o Transcribe angiver et kontekstvindue på 16.000 tokens, et maksimalt output på 2.000 tokens og en vidensgrænse den 1. juni 2024. Disse tokengrænser er ikke en fast lydvarighed og erstatter ikke reglerne for forberedelse af filtransskription. Ved en længere optagelse skal du bevare kildens rækkefølge og den relevante foregående kontekst og derefter kontrollere, at den færdige tekst når til slutningen af hvert tilsigtet segment.

En nyttig færdig transskription kan blive til søgbart interviewmateriale, en kilde til teknisk dokumentation eller ordlyden til en senere undertekstarbejdsgang. Gennemgå usikkert ordforråd, mængder, tegnsætning, accenter og overlappende tale mod optagelsen. Hold genkendt tekst adskilt fra senere rettelser eller opsummeringer, og bevar forbindelsen til kilden gennem identifikatorer i den omgivende arbejdsgang. Modellen leverer en tekstgengivelse; omhyggelig forberedelse af input og gennemgang af kilden afgør, om gengivelsen egner sig til næste anvendelse.