Meta: Muse Voice Transcribe 1.0

Muse Voice Transcribe 1.0 ist Metas Modell für Audiowahrnehmung zum Transkribieren von Sprache, Erkennen von Äußerungsgrenzen und Zuordnen von Gesprächsbeiträgen zu Sprechern. Es gehört zur Modellfamilie Muse Spark und verbindet Erkennung, Sprechertrennung und Endpunkterkennung innerhalb des Modells. Seine Ausgabe ist erkannter Text mit den im gewählten Modus verfügbaren Zeit- und Sprecherinformationen.

Das Modell verarbeitet Audio in Abschnitten von 80 Millisekunden und entscheidet, wann es weiterhört oder Text ausgibt. Seine adaptive Verzögerung ermöglicht es, auf zusätzliches Audio zu warten, wenn ein Wort schwieriger aufzulösen ist. So entsteht vorläufiger Text, während Sprache eintrifft, gefolgt von abgeschlossenen Transkriptionsergebnissen. Behandeln Sie die vorläufige Hypothese und den abgeschlossenen Beitrag als unterschiedliche Phasen des Hörerlebnisses.

Wählen Sie zwischen drei Modi. Push-to-talk ist der Standard für eine einzelne gesteuerte Äußerung, etwa eine Sprachabfrage oder eine kurz diktierte Passage. Endpointing lässt das Modell Grenzen von Sprachbeiträgen erkennen und pro erkanntem Segment ein abgeschlossenes Transkript zurückgeben. Diarization ordnet die erkannte Sprache Sprecherkennzeichnungen zu und ist für Aufnahmen mit mehreren Sprechern statt für schnellstmögliche Sprecherwechsel bei Sprachbefehlen vorgesehen.

Für einen aufgenommenen Clip liefert der Dateitranskriptionsablauf ein vollständiges Transkript in einer Anfrage zurück. Das Standardergebnis ist JSON mit Transkript und Audiodauer sowie einem Array turns in den Modi Endpointing und Diarization. Jeder Beitrag kann eine Kennung, Anfang und Ende in Millisekunden sowie den erkannten Text enthalten. Sprecherkennzeichnungen sind im Modus Diarization vorhanden. Push-to-talk erzeugt das vollständige Transkript ohne erkannte Beiträge in diesem Array. Die Schnittstelle des Herstellers für aufgenommene Dateien kann außerdem Klartext oder einen Strom von Transkriptionsereignissen zurückgeben. Klartext hält erkannte Beiträge auf getrennten Zeilen und kann Sprecherkennzeichnungen enthalten; ein Ereignisstrom endet nach seinem letzten Ereignis ohne separate JSON-Zusammenfassung. Sein Teilmodus delta liefert inkrementellen Text, während das endgültige Transkriptereignis den vollständigen Wortlaut enthält.

Bereiten Sie eine RIFF/WAVE-Datei mit einkanaligem 16-Bit-Ganzzahl-PCM-Audio bei 16 oder 24 kHz vor. Die native Rate des Modells beträgt 24 kHz; die Schnittstelle nimmt auch 16 kHz an. Wandeln Sie andere Container oder Kodierungen vor der Übergabe einer Aufnahme in diese unterstützte WAV-Form um. Das Dateitranskriptionsprofil erlaubt Audio bis zu 10 Minuten und einen gesamten Anfrageinhalt bis zu 32 MB. Bewahren Sie Originalaufnahme und etwaige Umwandlung zusammen mit dem zurückgegebenen Transkript für eine spätere Hörprüfung auf.

Der Ablauf für Live-Audio verwendet rohe vorzeichenbehaftete einkanalige 16-Bit-PCM-Daten in Little-Endian-Reihenfolge mit 16 oder 24 kHz, ungefähr in Echtzeit zugeführt. Das dokumentierte Sitzungsfenster beträgt 60 Minuten. Meta beschreibt native Audioeingaben von mehr als einer Stunde; die dokumentierten Datei- und Livesitzungsgrenzen bleiben separate Schnittstellengrenzen. Wählen Sie den Ablauf für aufgenommene Dateien oder Live-Audio danach, ob das Audio bereits vollständig ist oder noch erfasst wird, und ordnen Sie Ergebnisse getrennter Sitzungen ihren jeweiligen Eingabesegmenten zu.

Muse Voice Transcribe wird in mehr als 70 Sprachen trainiert, während die dokumentierte Erkennungsschnittstelle 25 unterstützte Sprachen aufzählt. Dazu gehören Englisch, Französisch, Deutsch, Spanisch, Arabisch, Mandarin-Chinesisch, Hindi, Japanisch, Koreanisch, Italienisch und Portugiesisch. Es erkennt Sprachwechsel innerhalb von oder zwischen Sätzen. Ein Sprachhinweis kann die im Audio erwarteten Sprachen benennen; er steuert aber die Erkennung, statt das Transkript in eine einzige Sprache zu zwingen.

Wortschatzhinweise helfen bei Produktbegriffen, Akronymen, Namen oder Orten, die in einer Aufnahme wichtig sind. Geben Sie die tatsächlichen Wörter und Schreibweisen vor, die Sie zu hören erwarten. Die Schlüsselwortliste beeinflusst die Erkennung, ohne eine genaue Schreibweise zu garantieren; prüfen Sie deshalb entscheidende Begriffe anhand des Audios. Sprachhinweise und Schlüsselwörter werden zu Beginn der Transkription gewählt; halten Sie sie für diese Aufnahme passend, statt ihre Bedeutung während einer laufenden Sitzung zu ändern.

Das Modell unterstützt Sprechertrennung für Gespräche mit mehr als 20 Sprechern. Kennzeichnungen wie A und B identifizieren Sprecher innerhalb einer Transkription. Sie sind keine verifizierten Namen und belegen nicht, dass eine Kennzeichnung in einer anderen Sitzung dieselbe Person meint. Verlangen Sie für eine eigene Besprechungsanalyse sprecherzugeordnete Beiträge, bewahren Sie die Aufnahme auf und verwenden Sie die Kennzeichnungen zum Ordnen der Diskussion, bevor der umgebende Ablauf tatsächliche Teilnehmernamen zuweist.

Vorläufige Live-Transkripte können sich ändern, wenn weitere Sprache eintrifft. Im kumulativen Modus ersetzt jedes vorläufige Ergebnis die vorherige Hypothese, statt eine weitere Kopie hinzuzufügen. Ein erkanntes Sprachende markiert eine Grenze; das Ergebnis des abgeschlossenen Beitrags liefert den endgültigen Text und kann vom letzten vorläufigen Ergebnis abweichen. Ordnen Sie überlappende Beiträge ihren Beitragskennungen zu und verarbeiten Sie die abgeschlossenen Ergebnisse, bevor Sie ein Transkript als fertig behandeln. Signalisieren Sie am Ende der Live-Eingabe das Eingabeende und empfangen Sie weiter, bis der Hersteller die ausstehenden Ergebnisse vollständig ausgegeben hat. Sofortiges Schließen der Verbindung kann diese Ergebnisse verwerfen; eine erkannte Sprachgrenze beendet einen Beitrag und nicht die ganze Sitzung.

Zeitangaben beziehen sich auf Beiträge. Dieses Profil liefert keine Zeitstempel auf Wortebene oder Konfidenzwerte; der Fortschritt der Audioverarbeitung ist kein Zeitstempel für ein bestimmtes Wort. Auch Geräuschereigniserkennung, Emotionserkennung und Umformatierung des Transkripts liegen außerhalb des dokumentierten Ausgabeprofils. Verwenden Sie die zurückgegebenen Beitragsintervalle für eine Sprecherzeitleiste oder eine segmentweise Prüfung und bewahren Sie die erkannten Worte, wenn ein separater Bearbeitungsschritt später übersichtlichere Notizen erstellt.

Hilfreiche Ergebnisse sind eine fertig diktierte Passage, das Transkript einer Sprachabfrage, ein sprecherzugeordnetes Gespräch oder eine Zeitleiste der Äußerungen. Vergleichen Sie Namen, Zahlen und Fachbegriffe mit der Originalaufnahme, bewahren Sie Modus und Zeitzuordnungen und halten Sie die vollständigen Beiträge für eine Prüfung verfügbar. Die Transkription hält fest, was im Audio erkannt wurde; die Beantwortung einer gesprochenen Frage, ihre Übersetzung oder ihre Umwandlung in Besprechungsnotizen gehört zu einem nachfolgenden Anwendungsschritt.