Deepgram: Nova-3

Nova-3 ist Deepgrams allgemeines Spracherkennungsmodell zur Umwandlung von Audio in Text. Der Anbieter empfiehlt es für Meetings, Veranstaltungsuntertitel, Aufnahmen mit mehreren Sprechern und schwierige Bedingungen wie Geräusche oder entfernte Mikrofone, mit vorab aufgezeichneter oder gestreamter Transkription. Sein nützliches Ergebnis ist erkannte Sprache mit Zeit- und Konfidenzinformationen, die mit dem Quellaudio verknüpft bleibt.

Den Sprachworkflow wählen

Die dokumentierte Standardsprache ist Englisch. Eine einsprachige Anfrage wählt die gesprochene Sprache oder unterstützte Locale. Die aktuelle Tabelle des allgemeinen Modells umfasst regionale Englischvarianten, Spanisch, Französisch, Deutsch, Russisch, Portugiesisch, Japanisch, Italienisch, Niederländisch, Arabisch, chinesische Schriften und viele weitere Sprachen, darunter Kasachisch. Wählen Sie aus den unterstützten Codes des Anbieters, statt anzunehmen, dass jeder Locale-Name akzeptiert wird.

Die mehrsprachige Einstellung ist ein separater Workflow für Sprachwechsel. Die aktuelle Nova-3-Tabelle nennt dafür zehn Sprachen: Englisch, Spanisch, Französisch, Deutsch, Hindi, Russisch, Portugiesisch, Japanisch, Italienisch und Niederländisch. Diese Menge ist nicht mit der grösseren einsprachigen Liste identisch. Bereiten Sie bei einer Aufnahme mit Wechseln zwischen unterstützten Sprachen den mehrsprachigen Modus vor, statt das gesamte Gespräch in eine unpassende einsprachige Einstellung zu zwingen. Bewahren Sie das Gesprochene, bevor Sie eine übersetzte oder zusammengefasste Version vorbereiten.

Aufgezeichnetes Audio und Transkriptvorbereitung

Deepgrams Dateiworkflow akzeptiert hochgeladene Audiobytes oder einen Verweis auf eine Audiodatei. Speichern Sie das zurückgegebene Transkript bei Abschluss der Anfrage; der Anbieter speichert Transkripte nicht zum späteren Abruf. Gängige dokumentierte Eingabeformate und Kodierungen umfassen MP3, MP4, MP2, AAC, WAV, FLAC, PCM, M4A, Ogg, Opus und WebM. Bewahren Sie tatsächliches Format und Kanalinformationen bei der Aufnahme. Geben Sie der Aufnahme eine stabile Kennung und halten Sie das Ergebnis mit der richtigen Quelle und deren Kanalinformationen verknüpft. Prüfen Sie bei einem Meeting Teilnehmernamen und Fachbegriffe beim Anhören des Originaltons. Bewahren Sie bei einem Vortrag oder einer Veranstaltung die Audioabfolge, damit spätere Untertitel oder Suchergebnisse die relevante Passage auffinden können.

Der Leitfaden des Anbieters für vorab aufgezeichnetes Audio nennt eine maximale Dateigrösse von 2 GB und empfiehlt, den Audiostream aus einer grossen Videodatei zu extrahieren. Er dokumentiert ausserdem ein Verarbeitungstimeout von zehn Minuten für Nova-Anfragen. Dieses Timeout betrifft die Verarbeitungsdauer der Anfrage, keine maximale Aufnahmedauer von zehn Minuten. Ein nützliches Ergebnis enthält das Ende der beabsichtigten Aufnahme; ein nur teilweise erhaltenes Transkript sollte nicht als vollständiger Text behandelt werden.

Wörter, Zeiten und Konfidenz lesen

Die dokumentierte JSON-Antwort enthält Transkriptalternativen und erkannte Wörter mit Start- und Endzeit jedes Wortes in Sekunden ab Audiobeginn sowie einem Konfidenzwert. Für ein Transkript mit mehreren Sprechern weist die optionale Sprechertrennung des Anbieters jedem Wort eine Sprecherbezeichnung zu. Bei vorab aufgezeichnetem Audio gibt die Sprechertrennung ausserdem Sprecherkonfidenz zurück; bei Streaming die Sprecherbezeichnung. Prüfen Sie diese Bezeichnungen anhand der Stimmen in der Aufnahme. Die Gesamtkonfidenz des Transkripts wird ebenfalls auf einer Skala von 0–1 ausgegeben. Wenn Smart Formatting angefordert wird, kann das Ergebnis Wörter mit Zeichensetzung und Grossschreibung sowie lesbare Absatzinformationen enthalten.

Verwenden Sie diese Felder entsprechend ihrer Bedeutung. Eine Wortzeit lokalisiert erkannte Sprache, während Konfidenz die Zuverlässigkeitseinschätzung des Modells ist und kein Beweis, dass ein schwieriger Name oder eine Mengenangabe richtig gehört wurde. Bewahren Sie für die Untertitelvorbereitung die Zeitangaben zusammen mit geprüftem Wortlaut und vergleichen Sie die Grenzen mit dem Ton. Halten Sie in einer lesbaren redaktionellen Version Änderungen vom erkannten Transkript unterscheidbar, statt unsichere Wörter stillschweigend durch eine plausible Geschichte zu ersetzen.

Streaming-Erkennung und endgültige Segmente

Novas Streaming-Workflow gibt beim Eintreffen des Audios Text mit vorläufigen und endgültigen Ergebnissen zurück. Der Indikator is_final unterscheidet noch änderbaren Text von einem endgültigen Segment. Der Indikator speech_final bezieht sich auf die Erkennung des Endpunkts eines gesprochenen Segments. Halten Sie diese Signale vom blossen Empfang eines nicht leeren Transkripts getrennt und bewahren Sie die endgültigen Segmente in ihrer Audioreihenfolge, wenn Sie den vollständigen Datensatz vorbereiten.

Nova-3 ist allgemeine ASR und nicht das separate Gesprächsmodell Flux mit modellnativer Erkennung von Gesprächsbeiträgen. Nova markiert Transkriptendgültigkeit und Sprachendpunkte; Flux liefert eigene Zustandsereignisse für Gesprächsbeiträge. Wählen Sie den Transkriptionsworkflow danach, ob das Audio bereits aufgezeichnet ist oder live eintrifft, und verwenden Sie die tatsächliche endgültige Ausgabe als zu bewahrendes Artefakt.

Keyterms für wichtiges Vokabular

Das dokumentierte Keyterm Prompting von Nova-3 unterstützt einsprachige und mehrsprachige Transkription und richtet die Erkennung ohne erneutes Modelltraining auf wichtige Begriffe aus. Stellen Sie relevante Namen, Produktbegriffe, Akronyme oder Mehrwortphrasen bereit, die tatsächlich gesprochen werden könnten. Der Leitfaden begrenzt die gesamte Keyterm-Eingabe auf 500 Tokens und empfiehlt, sich auf das wichtigste Vokabular zu konzentrieren, statt wahllos häufige Wörter hinzuzufügen.

Die Syntax des Anbieters verwendet einfache Begriffe mit einem separaten keyterm-Eintrag pro Begriff. Eine Mehrwortphrase bleibt eine Phrase. Ältere Keyword-Gewichte oder Verstärker sowie das Verbinden separater Begriffe mit Kommas, Semikolons oder Zeilenumbrüchen sind nicht gleichwertig: Die Schnittstelle kann sie als einen einzigen wörtlichen Wert akzeptieren, ohne die beabsichtigte Verstärkung zu liefern. Verwenden Sie für Namen die richtige Gross- und Kleinschreibung und prüfen Sie anschliessend das Transkript, weil Audiokontext und Smart Formatting die abschliessende Schreibform dennoch verändern können.

Modellfamiliengrenzen und nützliche Ergebnisse

Das allgemeine Nova-3-Profil unterscheidet sich von den separat benannten Optionen Medical und Pharma. Vokabular-Prompting macht daraus keine andere Ausgabe, und Sprachabdeckung oder Verhalten spezialisierter Modelle sollten nicht für das allgemeine Modell angenommen werden. Zusätzliche Transkriptverarbeitungsfunktionen sind Auswahlmöglichkeiten im Sprachworkflow des Anbieters und kein Beleg, dass die Erkennung eine nie angeforderte Zusammenfassung, Übersetzung oder ein anderes Artefakt erzeugt hat.

Ein nützliches Nova-3-Ergebnis kann ein durchsuchbares Meetingtranskript, untertitelfertiger Wortlaut mit Wortzeiten oder ein Datensatz eines mehrsprachigen Gesprächs sein. Bewahren Sie Audiokennung, gewählten Sprachworkflow, endgültigen Text und hilfreiche Konfidenz- oder Zeitfelder. Prüfen Sie unklare Namen, Zahlen, überlappende Stimmen und Sprachwechsel anhand der Originalaufnahme und halten Sie die tatsächlich erkannte Sprache für den nächsten Inhaltsverarbeitungsschritt verfügbar.