OpenAI: GPT Transcribe

GPT Transcribe er OpenAI’s tale-til-tekst-model til færdige lydfiler, streamede filtransskriptioner og eksplicit afsluttede lydsegmenter i Realtime-sessioner. Den modtager lyd med valgfri tekstkontekst og returnerer genkendt tekst. Producenten positionerer den til præcis transskription af optaget tale på originalsproget, herunder fagspecifikt ordforråd, flersprogede optagelser og kodeveksling. Det nyttige output er en transskription, som forbliver knyttet til optagelsen, med metadata om registrerede sprog, når modellen kan lave en pålidelig forudsigelse.

Forberedelse af en færdig optagelse

OpenAI’s arbejdsgang til filtransskription accepterer uploads på op til 25 MB. Den aktuelle endepunktsreference angiver inputformaterne FLAC, MP3, MP4, MPEG, MPGA, M4A, OGG, WAV og WebM og anbefaler tilstrækkelige filmetadata til at identificere formatet, herunder en passende filendelse og indholdstype. Til en større optagelse anbefaler vejledningen komprimering eller opdeling i filer på højst 25 MB. Undgå at klippe midt i en sætning, da fjernelse af den omgivende tale kan gøre genkendelsen mindre præcis. Hold delene i rækkefølge, og bevar deres positioner i originaloptagelsen.

Til et møde, interview eller en optaget præsentation skal den faktiske lyd leveres, og emnet samt den terminologi, der sandsynligvis bliver sagt, angives. Et nyttigt resultat er den genkendte ordlyd frem for et udledt resumé af samtalen. Bevar optagelsens identifikator sammen med den returnerede tekst, så en person, der kontrollerer et navn, et tal eller en usikker formulering, kan vende tilbage til den rigtige kilde. En transskription kan derefter blive materiale til en separat arbejdsgang for opsummering, oversættelse eller redaktionel behandling.

Kontekst, nøgleordstips og forventede sprog

Producenten skelner mellem tre slags vejledning. En prompt giver fri kontekst om optagelsens emne eller situation. Nøgleord angiver bogstavelige ord eller udtryk, som forventes i talen. En sprogliste angiver de forventede talte sprog. Ved en tosproget produktsamtale skal situationen beskrives i prompten, de relevante produktnavne opregnes som nøgleord, og de forventede sprog angives. Det er genkendelsestips, ikke instruktioner om at indsætte ord, som ingen har sagt.

GPT Transcribe bruger flertalsfeltet languages frem for det ældre entalsfelt language; OpenAI angiver, at begge ikke må sendes sammen. Vejledningen accepterer understøttede ISO 639-1-koder, udvalgte ISO 639-3-koder og regionale kinesiske locale-koder, mens ikke-understøttede eller fejlformede værdier afvises. Hvert nøgleord skal være på én linje og må ikke indeholde en vinkelparentes, vognretur eller et nylinjetegn. Et ugyldigt nøgleord eller en for lang prompt kan få hele anmodningen afvist. Hold konteksten relevant, og kontroller, om de angivne navne faktisk forekommer i lyden, frem for at behandle listen med tips som transskriptionen.

JSON-output og forudsigelser om registrerede sprog

Det dokumenterede filresultat er JSON med transskriptionen og registrerede sprog. Disse sprogforudsigelser er modellens output, ikke en kopi af de leverede sprogtips. En tom sprogliste er et gyldigt resultat, når modellen ikke kan lave en pålidelig forudsigelse; den dokumenterer ikke, at optagelsen var tavs, eller at transskriptionen mislykkedes. Hold genkendt tekst og sprogmetadata adskilt, så efterfølgende behandling kan bruge hver del efter dens betydning.

Streaming af en filtransskription

En færdig fil kan levere transskriptionstekst gradvist, mens den behandles. OpenAI dokumenterer transcript.text.delta-hændelser til delvis tekst og transcript.text.done til den fulde filtransskription; den afsluttende hændelse omfatter også registrerede sprog. Det streamer outputtet fra en allerede leveret optagelse. Det er nyttigt til at vise fremskridt ved en lang upload, mens den afsluttende hændelse fastlægger den tekst, der skal bevares som det færdige resultat.

Eksplicit afsluttede lydsegmenter i Realtime-sessioner

GPT Transcribe har også en specialiseret Realtime-arbejdsgang over WebSocket. Lyd tilføjes til inputbufferen, hvorefter applikationen eksplicit afslutter et lydsegment. Transskriptionen begynder for dette afsluttede stykke og kan udsende tekstdeltaer før fuldførelseshændelsen, herunder oplysninger om registrerede sprog. Modellen bruger automatisk tidligere transskriberede segmenter som kontekst i denne sessionsarbejdsgang fra producenten. Det er adskilt fra løbende at udsende liveundertekster, mens mikrofonlyd ankommer; OpenAI angiver GPT Live Transcribe til denne kontinuerlige arbejdsgang.

Ved flere segmenter skal inputelementets identifikator bevares sammen med den tilhørende transskription. OpenAI advarer om, at fuldførelseshændelser fra forskellige segmenter ikke nødvendigvis ankommer i talerækkefølge, så knyt hvert slutresultat til dets afsluttede input frem for kun at arrangere samtalen efter fuldførelsestid. Det nyttige resultat er en ordnet transskription samlet fra de rigtige endelige elementer, hvor foreløbig tekst behandles som fremskridt frem for en separat fuldført ytring.

Specialiserede output og væsentlige begrænsninger

Denne profil leverer ikke en universel kontrakt for undertekster, tidsstempler, oversættelse eller talermærkater. OpenAI’s migrationsvejledning skelner mellem disse specialiserede funktioner: undertekstformater med direkte understøttelse og tidsangivelser på ordniveau kræver en kompatibel model og et kompatibelt format, mens talermærkater bruger GPT-4o Transcribe Diarize. Filresultatet fra GPT Transcribe er JSON, ikke en direkte erstatning for et SRT- eller VTT-svar eller et svar med detaljerede tidsstempler. Dens specifikke modelkort offentliggør ikke en numerisk kontekst- eller maksimal outputramme, så et tokenvindue fra en chatmodel må ikke antages at gælde for lydtransskription.

Kontroller vanskeligt ordforråd, tal, accenter, baggrundsstøj og sprogskift mod optagelsen. Kontroller, at relevante tips forbedrede genkendelsen uden at indføre usagte udtryk, og at den endelige transskription omfatter lydens afslutning. Ved et flersproget resultat skal den talte ordlyd bevares, før en oversat version forberedes. Disse kontroller gør transskriptionen nyttig som kildemateriale, mens konteksttips, registrerede sprog og den genkendte tale holdes tydeligt adskilt.