Fish Audio: Transcribe 1 Pro

Transcribe 1 Pro ist Fish Audios Speech-to-Text-Modell für kurze Clips, Gespräche mit mehreren Sprechern und lange Aufnahmen. Es nimmt aufgezeichnetes Audio entgegen und gibt ein Transkript mit optionalen Zeitangaben und strukturierten Sprecherbeiträgen zurück. Seine besonderen Merkmale sind im Text markierte Sprecherwechsel und Hinweise auf Emotionen oder stimmliche Ereignisse, die mehr von der Gesprächsstruktur der Aufnahme bewahren als eine bloße Wortfolge.

Bewahren Sie bei einem Interview, Meeting oder Podcast das vollständige Gespräch in einer Datei, damit wiederkehrende Sprecher innerhalb der Antwort konsistente Bezeichnungen behalten können. Ein nützliches Prüfartefakt ist ein mit der Originalaufnahme verknüpftes Transkript mit getrennt dargestellten Beiträgen und einem Zeitstempel zur Prüfung eines Zitats. Eine Zusammenfassung oder Aktionsliste ist ein nachfolgender Anwendungsschritt: Halten Sie sie vom Transkript getrennt, damit die gesprochene Quelle zum Vergleich verfügbar bleibt.

Der Anbieter akzeptiert Aufnahmen bis zu 60 Minuten und beschreibt die Verarbeitung langer Dateien mit komprimiertem Audio wie MP3, Opus oder AAC. Unterstützte Formate umfassen WAV, MP3, AAC in M4A oder MP4, FLAC, Ogg mit Opus oder Vorbis, WebM/Matroska und MOV. Bei einer Videodatei verwendet er die erste Audiospur. AIFF, CAF, WMA, AMR, AC-3 und rohes PCM ohne Header werden nicht unterstützt. Pro Anfrage wird eine Audiodatei bereitgestellt; das Ergebnis kommt nach der Transkription der gesamten Aufnahme, und eine lange Aufnahme kann mehrere Minuten benötigen. Clips unter ungefähr 0,08 Sekunden werden zurückgewiesen.

Die Anbieterantwort enthält den vollständigen Text, die Aufnahmedauer in Sekunden und ein segments-Array. Pro markiert Sprecherwechsel inline mit Bezeichnungen wie <|speaker:0|> und <|speaker:1|>; eine Bezeichnung gilt für den folgenden Text bis zur nächsten Markierung. Dies sind Kennungen innerhalb einer Antwort, keine verifizierten Namen oder Identitäten, die anfrageübergreifend zugeordnet werden können. Wenn das Transkript keine Sprechermarkierung enthält, behandelt der Leitfaden es als Ergebnis mit einem Sprecher. Bewahren Sie Text vor der ersten Markierung beim ersten Beitrag, statt ihn zu verwerfen.

Zeitstempel auf Wortebene sind optional. In der Anbieteranfrage ist ignore_timestamps standardmäßig true; false fordert Segmente mit Text sowie Start- und Endzeiten in Sekunden an. Ein Segment ist gewöhnlich ein Wort oder im Chinesischen und Japanischen ein oder wenige Zeichen. Segmenttext lässt Zeichensetzung, Sprechermarkierungen und Ereignishinweise weg und kann einen gesprochenen Wert anders normalisieren als das vollständige Transkript. Ein Wortsegment kann dieselbe Start- und Endzeit haben. Ein leeres segments-Array kann bedeuten, dass keine Zeitstempel angefordert wurden, keine Sprachäußerungen erkannt wurden oder Zeitangaben vorübergehend nicht verfügbar waren. Verwenden Sie das vollständige Transkript für lesbaren Wortlaut und segments für die zeitliche Ausrichtung, statt anzunehmen, dass beide Zeichenfolgen Zeichen für Zeichen übereinstimmen.

Die Einstellung diarize ist standardmäßig auto. Wenn Zeitstempel angefordert werden und diarize nicht false ist, gibt Pro außerdem speaker_turns zurück. Jeder Beitrag enthält seine Sprecherbezeichnung, Text und Start-/Endzeiten und bewahrt Zeichensetzung und erhaltene Hinweise ohne die Inline-Sprechermarkierung. Wenn Wortzeiten nicht verfügbar sind, können Beitragszeiten ungefähr sein und die gesamte Aufnahme umfassen; benachbarte Beiträge sind nicht notwendigerweise lückenlos oder überschneidungsfrei. Das Deaktivieren von diarize entfernt die strukturierte Beitragsliste, lässt aber Sprechermarkierungen im vollständigen Text bestehen. Eine bekannte Sprecheranzahl oder Mindest- und Höchstanzahlen können die Sprechertrennung längerer Aufnahmen auf Best-Effort-Basis unterstützen. Die genaue Anzahl kann nicht mit den Anzahlgrenzen kombiniert werden, und Anzahlhinweise können bei deaktiviertem diarize nicht verwendet werden.

Emotions- und stimmliche Ereignishinweise erscheinen als Text in eckigen Klammern, beispielsweise [laughter], neben der erkannten Sprache. Sie werden aus dem Audio erschlossen und sind keine Wörter, die Nutzer vor der Transkription hinzufügen müssen. Pros Einstellung tag_audio_events ist standardmäßig true; ihre Deaktivierung entfernt diese Hinweise aus Transkript und Beitragstext, ohne die Zeitangaben zu verändern. Es gibt kein separates Emotionsfeld und keine feste Emotionsaufzählung. Bewahren Sie das annotierte Transkript, wenn der Klang einer Bemerkung wichtig ist, und verwenden Sie eine Version ohne Hinweise, wenn das nachgelagerte Artefakt nur die gesprochenen Wörter benötigt.

Die Sprache wird automatisch erkannt. Ein optionaler kleingeschriebener ISO-639-1-Hinweis erzwingt keine Übersetzung und verändert Pros Transkript nicht. Wenn die Sprache nicht bestimmt werden kann, kann der zurückgegebene Sprachcode den Hinweis wiedergeben, ohne ihn anhand des Audios zu verifizieren. Der Anbieter meldet eine Sprache statt eines Verzeichnisses aller Sprachen einer gemischtsprachigen Aufnahme. Bewahren Sie Originalwortlaut und Sprachmetadaten gemeinsam, wenn Sie ein durchsuchbares Archiv vorbereiten, besonders wenn verschiedene Gesprächsteile die Sprache wechseln.

Gruppieren Sie für Untertitel aufeinanderfolgende zeitlich ausgerichtete Wörter in lesbare SRT- oder WebVTT-Einträge, statt pro Wort einen Untertitel zu erzeugen. Trennen Sie Einträge an Pausen und wählen Sie Länge und Anzeigezeit passend zu Player und Publikum. Sprecherbeitragsgrenzen können verschiedene Sprecher in getrennten Einträgen halten. Prüfen Sie auf leere Zeitergebnisse und auf Einträge, deren Ende später als ihr Beginn liegen muss. Untertitelformatierung, Namen für anonyme Sprecherbezeichnungen und spätere Zusammenfassungen sind Anwendungsartefakte, die aus dem Transkriptionsergebnis entstehen.

Entscheiden Sie für einen praktischen Aufnahme-Workflow vor der Transkription, ob Sie ein schlichtes lesbares Transkript, annotierte Gesprächsbeiträge oder zeitlich ausgerichtete Untertitel benötigen. Bewahren Sie die Audiokennung beim Ergebnis, erhalten Sie den zurückgegebenen vollständigen Text, wenn Zeichensetzung und Hinweise wichtig sind, und verwenden Sie die strukturierten Zeitfelder zur Navigation. Pros Fähigkeiten für lange Aufnahmen und mehrere Sprecher unterscheiden sich vom allgemeinen Kurzaufnahme-Modell Transcribe 1; ihre Grenzen und Steuereinstellungen sollten nicht als austauschbar behandelt werden.