ElevenLabs: Scribe v2

Το ElevenLabs Scribe v2 είναι το μοντέλο αναγνώρισης ομιλίας σε παρτίδες για ηχογραφημένο ήχο, απομαγνητοφώνηση και υποτιτλισμό, συμπεριλαμβανομένων υποτίτλων προσβασιμότητας. Βασίζεται στο Scribe v1 και βελτιώνει τον χειρισμό ηχογραφήσεων μεγάλης διάρκειας, παύσεων, αλλαγών στον τόνο και παρατεταμένης σιωπής. Το αποτέλεσμα είναι γραπτή απόδοση της ομιλίας με χρονικές πληροφορίες και προαιρετικές σημάνσεις ομιλητών και ηχητικών συμβάντων. Το Scribe v2 Realtime είναι ξεχωριστή έκδοση ζωντανής απομαγνητοφώνησης· ο σκοπός αυτού του μοντέλου είναι η επεξεργασία ολοκληρωμένων ηχογραφήσεων.

Ο κατασκευαστής τεκμηριώνει αναγνώριση σε περισσότερες από 90 γλώσσες και αυτόματο εντοπισμό γλώσσας, μεταξύ άλλων σε ηχογραφήσεις με εναλλαγές γλωσσών. Μια υπόδειξη της γνωστής γλώσσας μπορεί να βοηθήσει το μοντέλο να ερμηνεύσει τον ήχο. Ετοιμάστε καθαρή ηχογράφηση, διατηρήστε την αρχική γλώσσα και τα ονόματα και αποφύγετε την έντονη αποκοπή του σήματος ή την περιττή επεξεργασία που αφαιρεί λεπτομέρειες της ομιλίας. Οι συνήθεις τεκμηριωμένες είσοδοι περιλαμβάνουν WAV, MP3, FLAC, M4A, AAC, OGG, Opus και WebM. Επιλέξτε μια αναπαράσταση εισόδου που υποστηρίζει η υλοποίηση απομαγνητοφώνησης και διατηρήστε την αρχική ηχογράφηση για έλεγχο.

Η τυπική απόκριση περιέχει το αναγνωρισμένο κείμενο, πληροφορίες για τη γλώσσα που εντοπίστηκε και μια ακολουθία λέξεων με χρονικές ενδείξεις. Οι εγγραφές λέξεων μπορούν να περιλαμβάνουν χρόνους έναρξης και λήξης, αναγνωριστικά ομιλητών και λογαριθμική πιθανότητα αναγνώρισης. Αυτά κάνουν το αποτέλεσμα χρήσιμο για υποτίτλους, συνεντεύξεις με δυνατότητα αναζήτησης ή έναν επεξεργαστή που επιστρέφει στο σχετικό ηχητικό σημείο. Διατηρήστε το αποτέλεσμα με τις χρονικές ενδείξεις μαζί με τον αρχικό ήχο. Σε ένα podcast, για παράδειγμα, το παραδοτέο μπορεί να είναι μια επεξεργάσιμη απομαγνητοφώνηση και μια καταγραφή χρονικά ευθυγραμμισμένη ανά λέξη, που βοηθά στον εντοπισμό διορθώσεων πριν από τη διαμόρφωση των υποτίτλων.

Ο διαχωρισμός ομιλητών σημειώνει ποιος μιλά και πότε σε ήχο με πολλούς ομιλητές, με έως 32 ομιλητές σύμφωνα με την τεκμηρίωση του κατασκευαστή. Ενεργοποιήστε τον όταν έχουν σημασία οι εναλλαγές ομιλητών και δώστε έναν εύλογο αριθμό ομιλητών, εφόσον είναι γνωστός. Διακρίνετε την ετικέτα ενός εντοπισμένου ομιλητή από το επαληθευμένο όνομα ενός προσώπου. Για συνέντευξη ή συνάντηση, ελέγξτε τις εναλλαγές σε σχέση με την ηχογράφηση, ιδίως όπου οι φωνές επικαλύπτονται ή μοιάζουν. Μια ετικέτα βοηθά στην οργάνωση της απομαγνητοφώνησης· δεν τεκμηριώνει ανεξάρτητα την ταυτότητα του ομιλητή.

Μια ηχογράφηση με έναν ομιλητή ανά κανάλι έχει διαφορετική δομή από πολλές φωνές αναμεμειγμένες σε ένα κανάλι. Η διεπαφή του κατασκευαστή μπορεί να επεξεργαστεί ανεξάρτητα έως πέντε κανάλια και να επιστρέψει ξεχωριστές απομαγνητοφωνήσεις ή μια συνδυασμένη απομαγνητοφώνηση σε χρονική σειρά, με δείκτες καναλιών. Διατηρήστε αυτή τη διάταξη καναλιών όταν έχει σημασία. Η συγχώνευση των καναλιών μιας κλήσης πριν από την απομαγνητοφώνηση μπορεί να αφαιρέσει μια χρήσιμη πηγή πληροφοριών για τους ομιλητές. Διακρίνετε την απόδοση βάσει καναλιού από τον διαχωρισμό ομιλητών που συνάγεται από αναμεμειγμένο ήχο. Η απόκριση συνδυασμένων καναλιών απαιτεί χρονικές ενδείξεις και δεν μπορεί να περιλαμβάνει εντοπισμό ή απόκρυψη οντοτήτων.

Η παροχή βασικών όρων καθοδηγεί την αναγνώριση ονομάτων, όρων προϊόντων και εξειδικευμένου λεξιλογίου με βάση τα συμφραζόμενα. Η τρέχουσα τεκμηρίωση επεξεργασίας σε παρτίδες επιτρέπει έως 1.000 όρους, καθέναν με λιγότερους από 50 χαρακτήρες και το πολύ πέντε λέξεις. Δώστε σχετικές ορθογραφικές μορφές αντί για έναν ευρύ, άσχετο κατάλογο. Για μια τεχνική συνέντευξη, δώστε τα ονόματα προϊόντων και τις συντομογραφίες που είναι πιθανό να εμφανιστούν και κατόπιν ελέγξτε τα στα αντίστοιχα χρονικά σημεία του αποτελέσματος. Οι βασικοί όροι επηρεάζουν την αναγνώριση· δεν αποτελούν οδηγίες εισαγωγής ενός όρου όταν η ηχογράφηση δεν τον υποστηρίζει.

Επιλέξτε τον σκοπό της απομαγνητοφώνησης πριν εφαρμόσετε επιμέλεια. Μια κατά λέξη καταγραφή διατηρεί την προφορική διατύπωση, ενώ η τεκμηριωμένη επιλογή no-verbatim αφαιρεί λέξεις πλήρωσης, εγκαταλειμμένες αρχές φράσεων και δυσχέρειες ροής για πιο ευανάγνωστο αποτέλεσμα. Η δυναμική επισήμανση ήχου μπορεί να εντοπίζει μη λεκτικά συμβάντα, όπως γέλιο ή βήματα. Μια επιμελημένη απομαγνητοφώνηση μπορεί να είναι χρήσιμη για υποτίτλους ή ανάγνωση, αλλά δεν πρέπει να αντικαθιστά σιωπηρά την ανεπεξέργαστη καταγραφή όταν οι επαναλήψεις, οι διορθώσεις ή οι μη λεκτικοί ήχοι έχουν σημασία για την εργασία.

Ο κατασκευαστής τεκμηριώνει επίσης εντοπισμό οντοτήτων και πειραματική επεξεργασία απομαγνητοφώνησης. Η επεξεργασία απομαγνητοφώνησης δεν μπορεί να συνδυαστεί με εντοπισμό οντοτήτων, απόκρυψη οντοτήτων ή πολυκαναλική απομαγνητοφώνηση στη διεπαφή του κατασκευαστή. Οι εντοπισμένες οντότητες παρέχουν δομημένες θέσεις για επιλεγμένες πληροφορίες στην απομαγνητοφώνηση. Η προαιρετική απόκρυψη οντοτήτων καλύπτει το εντοπισμένο κείμενο με ετικέτες αντικατάστασης· εξαρτάται από τον εντοπισμό οντοτήτων και η λίστα οντοτήτων δεν επιστρέφεται όταν είναι ενεργή η απόκρυψη. Η απόκρυψη γίνεται κατά την απομαγνητοφώνηση, με έναν γενικό δείκτη αντικατάστασης, μια ετικέτα κατηγορίας ή μια αριθμημένη ετικέτα κατηγορίας. Η αυτόματη απόκρυψη μπορεί να παραλείψει ευαίσθητο περιεχόμενο, επομένως ελέγξτε την απομαγνητοφώνηση με τις αποκρύψεις πριν την κοινοποιήσετε. Μια επεξεργασία με οδηγία φυσικής γλώσσας επιστρέφει επιμελημένο κείμενο μαζί με το αρχικό αποτέλεσμα, διατηρώντας διαθέσιμη την αρχική καταγραφή χρονισμού και ομιλητών. Κρατήστε αυτά τα παραδοτέα διακριτά: μια διορθωμένη ορθογραφική μορφή ή μια αναδιαμορφωμένη πρόταση μπορεί να χρειάζεται νέο έλεγχο πριν ευθυγραμμιστεί με τον ήχο ή χρησιμοποιηθεί σε επόμενη εξαγωγή πληροφοριών. Αυτές οι δυνατότητες επεξεργάζονται την απομαγνητοφώνηση· δεν τεκμηριώνουν ότι κάθε σημαντική λεπτομέρεια αναγνωρίστηκε σωστά.

Για μια ολοκληρωμένη απομαγνητοφώνηση, ελέγξτε τα ονόματα, τους αριθμούς, τις αρνήσεις και τις αλλαγές ομιλητή επιστρέφοντας στον αντίστοιχο ήχο. Δώστε προσοχή στα χαμηλόφωνα τμήματα, στις επικαλύψεις και στις εναλλαγές γλωσσών, αντί να κρίνετε την ποιότητα μόνο από την ομαλή ροή του κειμένου. Διατηρήστε τις αβέβαιες διατυπώσεις προς διόρθωση, αντί να συμπληρώνετε ένα μη ακουστό απόσπασμα με μια εύλογη πρόταση. Το χρήσιμο αποτέλεσμα είναι μια ελεγμένη κειμενική καταγραφή με τις χρονικές πληροφορίες και τα στοιχεία ομιλητών που απαιτεί η προβλεπόμενη χρήση της· η απομαγνητοφώνηση μπορεί στη συνέχεια να αποτελέσει είσοδο για ξεχωριστό βήμα σύνοψης, μετάφρασης ή ανάλυσης.