Fish Audio: Transcribe 1

Transcribe 1 ist Fish Audios allgemeines Speech-to-Text-Modell für kurze Aufnahmen. Es nimmt eine Audiodatei entgegen und gibt die erkannten Wörter als Text zurück, zusammen mit der Aufnahmedauer, optionalen zeitlich zugeordneten Segmenten und Sprachinformationen, sofern diese bekannt sind. Das Modell eignet sich für eine kurze Sprachnotiz, eine gesprochene Anweisung, einen Aufnahmeausschnitt oder einen Audioclip, der eine lesbare Textdarstellung benötigt.

Ein beispielhafter Ablauf für Sprachnotizen bewahrt die Aufnahme gemeinsam mit ihrer vollständigen Transkription und einer Kennung des ursprünglichen Clips auf. Ein späterer Anwendungsschritt kann diesen Text durchsuchen, die Notiz ordnen oder eine Zusammenfassung erstellen und dabei die gesprochene Quelle erhalten. Bei einem Befehl liefert die Transkription der Anwendung die erkannten Wörter; jede Handlung ist ein gesonderter Interpretations- und Ausführungsschritt. Erfassen Sie bei einem Interviewausschnitt die Position des Clips im vollständigen Audio, damit ein Zitat an der richtigen Stelle überprüft werden kann.

Der Hersteller akzeptiert WAV, MP3, AAC einschließlich M4A/MP4, FLAC sowie Ogg mit Opus oder Vorbis. Browseraufnahmen in WebM sollten für dieses Modell in Ogg/Opus, MP3 oder WAV umgewandelt werden; Pro dokumentiert native Unterstützung weiterer Container. Stellen Sie pro Anfrage eine Audiodatei bereit. Das dokumentierte Anfragebudget des Basismodells beträgt bis zu 50 MiB, wobei MP3- und Opus-Dateien unter 25 MiB bleiben müssen. Dateigröße und Aufnahmelänge sind unterschiedliche Aspekte: Eine komprimierte Datei kann innerhalb des Uploadlimits liegen und trotzdem zu lange für die Verarbeitung benötigen.

Transcribe 1 ist für kurze Aufnahmen ausgelegt. Für Audio, das länger als einige Minuten dauert, empfiehlt der Hersteller Pro; eine lange Anfrage an das Basismodell kann scheitern, wenn sie das Verarbeitungslimit überschreitet. Bewahren Sie beim Vorbereiten einer längeren Quelle für die Transkription kurzer Clips den Anfangsversatz jedes Clips auf und bestätigen Sie vor dem Zusammenführen, dass die zurückgegebene Transkription den vollständigen Clip abdeckt. Addieren Sie den ursprünglichen Versatz zu lokalen Segmentzeiten, damit die Navigation mit der vollständigen Aufnahme verbunden bleibt. Die Empfehlungen für das Basismodell sollten nicht als das separate 60-Minuten-Budget von Pro verstanden werden.

Die Herstellerantwort umfasst Text, Dauer und Segmente. Die Dauer wird in Sekunden ausgedrückt, und die lesbare vollständige Transkription sollte als primärer Wortlaut des Clips erhalten bleiben. Zeitstempel sind optional: ignore_timestamps ist in der Hersteller-API standardmäßig true, während false Segmente auf Wortebene mit Text sowie Start- und Endzeiten in Sekunden anfordert. Die Anforderung der zeitlichen Ausrichtung verlängert die Verarbeitung. Ein leeres segments-Array kann auf übersprungene Zeitangaben, fehlende Sprache oder vorübergehend nicht verfügbare Ausrichtung zurückgehen und sollte daher nicht automatisch als leere vollständige Transkription verstanden werden.

Segmente sind im Allgemeinen Wörter oder bei Chinesisch und Japanisch ein oder wenige Zeichen. Ihr Text enthält keine Satzzeichen und kann einen Wert anders normalisieren als die vollständige Transkription; er ist keine zeichengetreue Kopie der lesbaren Antwort. Ein Segment kann dieselbe Start- und Endzeit haben. Verwenden Sie Segmente zum Auffinden einer Position in der Aufnahme oder zur Vorbereitung einer zeitgesteuerten Anzeige und den Volltext, wenn Wortlaut und Zeichensetzung wichtig sind. Halten Sie diese beiden Darstellungen im entstehenden Ergebnis getrennt.

Die Sprache wird automatisch erkannt, unabhängig davon, ob ein optionaler Sprachhinweis mitgegeben wird. Der Hersteller dokumentiert kleingeschriebene ISO-639-1-Codes für Hinweise und gibt, sofern bekannt, einen Sprachcode für die Anwendungslogik sowie einen Sprachnamen zur Anzeige zurück. Die Antwort meldet eine Sprache und nicht jede Sprache einer Aufnahme mit Sprachwechseln. Bewahren Sie den Quellwortlaut und die verfügbaren Sprachmetadaten beim Ergebnis auf, statt die Transkriptionsanfrage als Übersetzungsvorgang zu behandeln.

Gruppieren Sie für einen Untertitelablauf aufeinanderfolgende zeitlich zugeordnete Segmente zu lesbaren Einblendungen, statt jeweils nur ein Wort zu zeigen. Ein nützliches Ergebnis ist eine mit dem ursprünglichen Clip verknüpfte SRT- oder WebVTT-Datei, deren Untertitelgrenzen zu Pausen passen und deren Textmenge am Bildschirm überschaubar bleibt. Prüfen Sie auf fehlende Zeitangaben und stellen Sie sicher, dass das Ende jeder Einblendung nach ihrem Beginn liegt. Untertitelgruppierung und Dateiformatierung sind Anwendungsschritte auf Grundlage der zurückgegebenen Ausrichtung; die Anzeige sollte zum Player und zur Zielgruppe passen.

Die dokumentierten Regler von Transcribe 1 sind Audio, ein Sprachhinweis und die Zeitstempelauswahl. Sprechermarkierungen, strukturierte Sprecherwechsel, Regler für Emotionsereignisse und Hinweise zur Sprecheranzahl von Pro sind separate Funktionen; sie gehören nicht zum dokumentierten Antwortvertrag dieses Basismodells. Wählen Sie vor der Verarbeitung das benötigte Ergebnis: einfachen lesbaren Text für eine Notiz oder Text mit zeitlicher Ausrichtung für Wiedergabenavigation und Untertitel. Durch das Bewahren von Clipkennung, Transkription und allen verfügbaren Zeitangaben bleibt das Ergebnis für die nächste Anwendungsstufe nützlich.