Deepgram: Nova-3

Το Nova-3 είναι το μοντέλο αναγνώρισης ομιλίας γενικής χρήσης της Deepgram για μετατροπή ήχου σε κείμενο. Ο παραγωγός το συνιστά για συναντήσεις, υποτίτλους εκδηλώσεων, ηχογραφήσεις πολλών ομιλητών και δύσκολες συνθήκες όπως θόρυβο ή απομακρυσμένα μικρόφωνα, με απομαγνητοφώνηση προηχογραφημένου ήχου ή ήχου σε streaming. Το χρήσιμο αποτέλεσμά του είναι αναγνωρισμένη ομιλία με χρονισμό και πληροφορίες βεβαιότητας που παραμένουν συνδεδεμένες με τον ήχο πηγής.

Επιλέξτε τη γλωσσική ροή

Η τεκμηριωμένη προεπιλεγμένη γλώσσα είναι τα αγγλικά. Ένα μονόγλωσσο αίτημα επιλέγει την ομιλούμενη γλώσσα ή υποστηριζόμενη τοπική παραλλαγή. Ο τρέχων πίνακας γενικού μοντέλου περιλαμβάνει περιφερειακές παραλλαγές αγγλικών, ισπανικά, γαλλικά, γερμανικά, ρωσικά, πορτογαλικά, ιαπωνικά, ιταλικά, ολλανδικά, αραβικά, κινεζικές γραφές και πολλές άλλες γλώσσες, συμπεριλαμβανομένων των καζακικών. Επιλέξτε από τους υποστηριζόμενους κωδικούς του παραγωγού αντί να υποθέτετε ότι γίνεται δεκτό οποιοδήποτε όνομα τοπικής παραλλαγής.

Η πολυγλωσσική ρύθμιση είναι χωριστή ροή εναλλαγής γλωσσών. Ο τρέχων πίνακας Nova-3 αναφέρει δέκα γλώσσες γι’ αυτή: αγγλικά, ισπανικά, γαλλικά, γερμανικά, χίντι, ρωσικά, πορτογαλικά, ιαπωνικά, ιταλικά και ολλανδικά. Αυτό το σύνολο δεν είναι ταυτόσημο με τη μεγαλύτερη μονόγλωσση λίστα. Για ηχογράφηση που εναλλάσσεται μεταξύ υποστηριζόμενων γλωσσών, προετοιμάστε την πολυγλωσσική λειτουργία αντί να επιβάλλετε σε όλη τη συνομιλία άσχετη μονόγλωσση ρύθμιση. Διατηρήστε όσα ειπώθηκαν πριν προετοιμάσετε οποιαδήποτε μεταφρασμένη ή συνοπτική έκδοση.

Ηχογραφημένος ήχος και προετοιμασία απομαγνητοφώνησης

Η ροή αρχείων της Deepgram δέχεται μεταφορτωμένα bytes ήχου ή αναφορά σε αρχείο ήχου. Αποθηκεύστε την επιστρεφόμενη απομαγνητοφώνηση όταν ολοκληρωθεί το αίτημα· ο παραγωγός δεν αποθηκεύει απομαγνητοφωνήσεις για μεταγενέστερη ανάκτηση. Συνηθισμένες τεκμηριωμένες μορφές και κωδικοποιήσεις εισόδου περιλαμβάνουν MP3, MP4, MP2, AAC, WAV, FLAC, PCM, M4A, Ogg, Opus και WebM. Διατηρήστε την πραγματική μορφή και τις πληροφορίες καναλιών μαζί με την ηχογράφηση. Δώστε στην ηχογράφηση σταθερό αναγνωριστικό και κρατήστε το αποτέλεσμα συνδεδεμένο με τη σωστή πηγή και τις πληροφορίες καναλιών της. Για συνάντηση, ελέγξτε ονόματα συμμετεχόντων και τεχνικούς όρους ακούγοντας τον αρχικό ήχο. Για διάλεξη ή εκδήλωση, κρατήστε την ακολουθία ήχου ώστε μεταγενέστερος υπότιτλος ή αποτέλεσμα αναζήτησης να εντοπίζει το σχετικό απόσπασμα.

Ο οδηγός προηχογραφημένου ήχου του παραγωγού αναφέρει μέγιστο μέγεθος αρχείου 2 GB και συνιστά εξαγωγή της ροής ήχου από μεγάλο αρχείο βίντεο. Τεκμηριώνει επίσης χρονικό όριο επεξεργασίας δέκα λεπτών για αιτήματα Nova. Αυτό το όριο αφορά πόσο διαρκεί η επεξεργασία του αιτήματος, όχι μέγιστη διάρκεια ηχογράφησης δέκα λεπτών. Ένα χρήσιμο αποτέλεσμα περιλαμβάνει το τέλος της προβλεπόμενης ηχογράφησης· μια μερικώς διατηρημένη απομαγνητοφώνηση δεν πρέπει να θεωρείται πλήρες κείμενο.

Διαβάστε τις λέξεις, τους χρόνους και τη βεβαιότητα

Η τεκμηριωμένη απόκριση JSON περιλαμβάνει εναλλακτικές απομαγνητοφώνησης και αναγνωρισμένες λέξεις, με χρόνο αρχής και τέλους κάθε λέξης σε δευτερόλεπτα από την αρχή του ήχου και τιμή βεβαιότητας. Για απομαγνητοφώνηση πολλών ομιλητών, η προαιρετική διαίρεση ανά ομιλητή του παραγωγού αποδίδει ετικέτα ομιλητή σε κάθε λέξη. Η διαίρεση προηχογραφημένου ήχου ανά ομιλητή επιστρέφει επίσης βεβαιότητα ομιλητή· η αντίστοιχη λειτουργία σε streaming επιστρέφει την ετικέτα ομιλητή. Ελέγξτε αυτές τις ετικέτες ως προς τις φωνές στην ηχογράφηση. Αναφέρεται επίσης συνολική βεβαιότητα απομαγνητοφώνησης σε κλίμακα 0–1. Όταν ζητείται έξυπνη μορφοποίηση, το αποτέλεσμα μπορεί να περιλαμβάνει στίξη και κεφαλαιοποίηση σε λέξεις με στίξη, μαζί με πληροφορίες ευανάγνωστων παραγράφων.

Χρησιμοποιήστε αυτά τα πεδία σύμφωνα με το νόημά τους. Ο χρόνος λέξης εντοπίζει αναγνωρισμένη ομιλία, ενώ η βεβαιότητα είναι ένδειξη αξιοπιστίας του μοντέλου, όχι απόδειξη ότι ένα δύσκολο όνομα ή μέγεθος ακούστηκε σωστά. Για προετοιμασία υποτίτλων, κρατήστε τον χρονισμό δίπλα σε ελεγμένη διατύπωση και εξετάστε τα όρια ως προς τον ήχο. Για ευανάγνωστη συντακτική έκδοση, κρατήστε τις αλλαγές διακριτές από την αναγνωρισμένη απομαγνητοφώνηση αντί να αντικαθιστάτε σιωπηρά αβέβαιες λέξεις με εύλογη ιστορία.

Αναγνώριση σε streaming και τελικά segments

Η ροή streaming του Nova επιστρέφει κείμενο καθώς φτάνει ήχος, με ενδιάμεσα και τελικά αποτελέσματα. Ο δείκτης is_final διακρίνει κείμενο που μπορεί να αναθεωρηθεί από ένα οριστικοποιημένο segment. Ο δείκτης speech_final σχετίζεται με τον εντοπισμό τέλους ενός προφορικού segment. Κρατήστε αυτά τα σήματα διακριτά από την απλή λήψη μη κενής απομαγνητοφώνησης και διατηρήστε τα τελικά segments με τη σειρά του ήχου όταν προετοιμάζετε την ολοκληρωμένη εγγραφή.

Το Nova-3 είναι γενικό ASR, όχι το χωριστό συνομιλιακό μοντέλο Flux με εγγενή ανίχνευση γύρων συνομιλίας. Το Nova σημειώνει την οριστικοποίηση απομαγνητοφώνησης και τα σημεία τέλους ομιλίας· το Flux παρέχει τα δικά του συμβάντα κατάστασης γύρων συνομιλίας. Επιλέξτε τη ροή απομαγνητοφώνησης με βάση το αν ο ήχος έχει ήδη ηχογραφηθεί ή φτάνει ζωντανά, χρησιμοποιώντας την πραγματική τελική έξοδο ως το παραδοτέο που θα διατηρηθεί.

Keyterms για το λεξιλόγιο που έχει σημασία

Το τεκμηριωμένο Keyterm Prompting του Nova-3 υποστηρίζει μονόγλωσση και πολυγλωσσική απομαγνητοφώνηση και προσαρμόζει την αναγνώριση προς σημαντικούς όρους χωρίς επανεκπαίδευση του μοντέλου. Δώστε σχετικά ονόματα, όρους προϊόντων, ακρωνύμια ή φράσεις πολλών λέξεων που μπορεί πράγματι να ειπωθούν. Ο οδηγός περιορίζει τη συνδυασμένη είσοδο keyterms στα 500 tokens και συνιστά εστίαση στο σημαντικότερο λεξιλόγιο αντί για αδιάκριτη προσθήκη κοινών λέξεων.

Η σύνταξη του παραγωγού χρησιμοποιεί απλούς όρους, με χωριστή εγγραφή keyterm για κάθε όρο. Μια φράση πολλών λέξεων παραμένει μία φράση. Παλιότερα βάρη λέξεων-κλειδιών ή ενισχυτές και η ένωση χωριστών όρων με κόμματα, το σύμβολο ; ή αλλαγές γραμμής δεν είναι ισοδύναμα: η διεπαφή μπορεί να τα δέχεται ως μία κυριολεκτική τιμή χωρίς την επιδιωκόμενη ενίσχυση. Χρησιμοποιήστε τη σωστή κεφαλαιοποίηση για ονόματα και κατόπιν ελέγξτε την απομαγνητοφώνηση, επειδή τα συμφραζόμενα ήχου και η έξυπνη μορφοποίηση μπορούν ακόμη να αλλάζουν την τελική γραπτή μορφή.

Όρια οικογένειας μοντέλων και χρήσιμα αποτελέσματα

Το γενικό προφίλ Nova-3 είναι διακριτό από τις χωριστά ονομασμένες επιλογές Medical και Pharma. Η καθοδήγηση λεξιλογίου δεν το μετατρέπει σε άλλη έκδοση και δεν πρέπει να θεωρείται ότι το γενικό μοντέλο έχει τη γλωσσική κάλυψη ή τη συμπεριφορά εξειδικευμένων μοντέλων. Πρόσθετες λειτουργίες επεξεργασίας απομαγνητοφώνησης είναι επιλογές της ροής ομιλίας του παραγωγού, όχι στοιχεία ότι η αναγνώριση έχει παράγει σύνοψη, μετάφραση ή άλλο παραδοτέο που δεν ζητήθηκε ποτέ.

Ένα χρήσιμο παραδοτέο Nova-3 μπορεί να είναι αναζητήσιμη απομαγνητοφώνηση συνάντησης, διατύπωση έτοιμη για υποτίτλους με χρόνους λέξεων ή εγγραφή πολυγλωσσικής συνομιλίας. Διατηρήστε το αναγνωριστικό ήχου, την επιλεγμένη γλωσσική ροή, το τελικό κείμενο και όσα πεδία βεβαιότητας ή χρονισμού είναι χρήσιμα. Ελέγξτε ασαφή ονόματα, αριθμούς, επικαλυπτόμενες φωνές και αλλαγές γλώσσας ως προς την αρχική ηχογράφηση και κρατήστε την πραγματικά αναγνωρισμένη ομιλία διαθέσιμη για το επόμενο βήμα επεξεργασίας περιεχομένου.