gpt-4o-transcribe-diarize

GPT-4o Transcribe Diarize ist OpenAIs Modell zur automatischen Spracherkennung mit integrierter Sprechertrennung. Es ordnet transkribierte Audiosegmente verschiedenen Sprechern eines Gesprächs zu. Das nützliche Ergebnis ist ein nach Sprecher und Zeit gegliedertes Transkript statt eines einzigen fortlaufenden Textblocks. Es ist für aufgezeichnete Sprache gedacht, die Sprecherkennzeichnungen benötigt, etwa eine Besprechung, ein Interview oder eine Diskussion mit mehreren Personen.

Die abgeschlossene Aufnahme vorbereiten

Stellen Sie die zu transkribierende Aufnahme bereit. Der dokumentierte Dateiablauf akzeptiert MP3, MP4, MPEG, MPGA, M4A, WAV und WebM mit einer Dateigrößengrenze von 25 MB. Halten Sie die Originalaufnahme verfügbar, damit sich ein Sprecherwechsel, Name oder eine unklare Formulierung anhand des tatsächlichen Audios prüfen lässt.

Erhalten Sie bei einer Besprechung den Gesprächsverlauf, statt kurze Pausen herauszuschneiden, die beim Unterscheiden von Sprecherwechseln helfen. Lassen Sie bei einem Interview Frage und Antwort zusammen, wenn deren Beziehung für die Aufgabe wichtig ist. Die Audiovorbereitung sollte die Sprache hörbar machen, ohne Informationen zu entfernen, die für das Ergebnis mit Sprecherkennzeichnungen wichtig sind.

Dies ist ein Ablauf zur Dateitranskription. Eine abgeschlossene Aufnahme zu verarbeiten und einen noch eintreffenden Audiostream zu erkennen sind unterschiedliche Aufgaben. Die Sprecherkennzeichnung des Modells wird in Realtime-Transkriptionssitzungen nicht unterstützt.

Ein Transkript mit Sprecherkennzeichnungen anfordern

Das Ergebnisformat diarized_json gibt Segmente mit Sprecherkennzeichnungen sowie Start- und Endzeiten zurück. Jedes Segment enthält außerdem seinen transkribierten Text. Halten Sie diese Felder zusammen, damit sich die Wörter mit dem relevanten Teil der Aufnahme verbinden lassen.

Bewahren Sie für ein brauchbares Besprechungstranskript die Segmentreihenfolge und zeigen Sie die Wörter jedes Sprechers mit ihren Zeitangaben an. Eine spätere Aufgabe kann daraus ein Protokoll oder Aufgabenpunkte erstellen. Die Sprechertrennung selbst entscheidet jedoch weder, was in der Besprechung vereinbart wurde, noch erzeugt sie eine geprüfte Zusammenfassung.

Sprecherkennzeichnungen beschreiben, wie das Modell die gesprochenen Beiträge gruppiert. Prüfen Sie Übergänge, an denen Personen einander unterbrechen, nur kurz sprechen oder gleichzeitig sprechen. Ein gut strukturiertes Ergebnis erleichtert Navigation und Prüfung; eine bestimmte Zuordnung kann dennoch das Anhören des Originalaudios erfordern.

Referenzen bekannter Sprecher

Der dokumentierte Ablauf kann bis zu vier benannte Sprecherreferenzen entgegennehmen. Jede Referenz ist ein kurzer Audioclip von 2–10 Sekunden in einem vom Hauptupload unterstützten Format. Namen und Referenzen werden zusammen bereitgestellt, damit Segmente bekannten Sprechern zugeordnet werden können.

Bereiten Sie eine Referenz vor, in der der beabsichtigte Sprecher klar zu hören ist, und verwenden Sie den Namen einheitlich entsprechend den gewünschten Kennzeichnungen im Transkript. Bei einem Interview kann eine Referenz für den Moderator helfen, das Ergebnis nach Sprechern zu gliedern, ohne jedem Teilnehmer nur eine anonyme Kennzeichnung zu geben. Die Referenz dient als Eingabe für die Zuordnung; sie ist weder ein allgemeines Verfahren zum Stimmenklonen noch ein Identitätsnachweis einer Person.

Verwechseln Sie die Benennung eines Sprechers nicht mit einer Änderung der gesprochenen Wörter. Die nützliche Ausgabe muss weiterhin den Inhalt der Aufnahme und die tatsächliche Reihenfolge der Beiträge erhalten.

Aufteilung und Modellgrenzen

Für Audio von mehr als 30 Sekunden verlangt der Hersteller eine Aufteilungsstrategie: entweder automatische Aufteilung oder eine Konfiguration zur Erkennung von Sprachaktivität. Diese Anforderung ist keine maximale Aufnahmedauer. Sie beschreibt, wie längere Eingaben zur Verarbeitung aufgeteilt werden.

Die Modellkarte nennt ein Kontextfenster von 16.000 Token und maximal 2.000 Ausgabetoken. Diese Modellgrenzen sind von der Uploadgrenze von 25 MB und dem Schwellenwert für die Aufteilung getrennt. Daraus darf keine erfundene Minutenzahl abgeleitet werden, die für jede Aufnahme gelten soll.

Erhalten Sie Zeitangaben und Segmentidentität, wenn Sie ein längeres Transkript zusammensetzen oder prüfen. Wurde eine Aufnahme vor der Übermittlung geteilt, bewahren Sie die Beziehung jedes Teils zum Originalaudio, damit ein lokaler Zeitstempel nicht mit seiner Position im vollständigen Gespräch verwechselt wird.

Abgeschlossene Segmente streamen

Der Ablauf zur Dateitranskription kann während der Verarbeitung Text streamen. Beim Streaming mit Sprecherkennzeichnungen erzeugen abgeschlossene Segmente Segmentereignisse. Textdeltas enthalten eine Segmentkennung, aber keine vorläufigen Sprecherzuordnungen. Ein Sprecher wird zugeordnet, sobald das Segment abgeschlossen ist.

Diese Unterscheidung ist für die Darstellung wichtig. Zeigen Sie vorläufigen Text und einen abgeschlossenen Sprecherbeitrag als unterschiedliche Zustände an, statt eine unsichere Sprecherkennzeichnung anzufügen, bevor das Modell das Segment abgeschlossen hat. Bewahren Sie das fertige Ergebnis auf, wenn das Transkript später bearbeitet oder analysiert werden soll.

Modell- und Ausgabegrenzen

Dieses Profil ist das Modell zur Sprechertrennung, getrennt von gewöhnlicher GPT-4o-Transkription, Mini-Transkription, Sprachsynthese und Modellen für Livegespräche. Es unterstützt keine Transkriptionsprompts. Behandeln Sie eine Terminologieprüfung oder -korrektur als separaten Schritt, der anhand des Originalaudios geprüft wird. Seine Herstellerschnittstelle transkribiert aufgezeichnetes Audio in Text. Es erzeugt keine Audioantwort und übersetzt eine Aufnahme nicht über den separaten Ablauf zur Audioübersetzung.

Nutzen Sie es für Transkripte, die sowohl Inhalt als auch eine Sprecherstruktur benötigen. Prüfen Sie Namen, Fachbegriffe, Zahlen, Sprecherwechsel und Zuordnungen anhand der Aufnahme. Bewahren Sie Audio, gewähltes Ergebnisformat, Referenzen und fertiges Transkript auf, damit eine Korrektur eine konkrete Formulierung oder Sprecherzuordnung betreffen kann.