Fish Audio: Transcribe 1 Pro

Το Transcribe 1 Pro είναι το μοντέλο μετατροπής ομιλίας σε κείμενο της Fish Audio για σύντομα αποσπάσματα, συνομιλίες πολλών ομιλητών και μεγάλες ηχογραφήσεις. Λαμβάνει ηχογραφημένο ήχο και επιστρέφει απομαγνητοφώνηση, με προαιρετικούς χρόνους και δομημένους γύρους ομιλίας. Τα διακριτικά χαρακτηριστικά του είναι οι αλλαγές ομιλητή σημειωμένες στο κείμενο και οι ενδείξεις συναισθήματος ή φωνητικών συμβάντων, που διατηρούν περισσότερη συνομιλιακή δομή της ηχογράφησης από μια απλή ακολουθία λέξεων.

Για συνέντευξη, συνάντηση ή podcast, κρατήστε ολόκληρη τη συνομιλία σε ένα αρχείο, ώστε ομιλητές που επανέρχονται να διατηρούν συνεπείς ετικέτες μέσα στην απόκριση. Ένα χρήσιμο παραδοτέο ελέγχου είναι απομαγνητοφώνηση συνδεδεμένη με την αρχική ηχογράφηση, με τους γύρους ομιλίας να εμφανίζονται χωριστά και διαθέσιμη χρονική σήμανση για έλεγχο παράθεσης. Μια σύνοψη ή λίστα ενεργειών είναι μεταγενέστερο βήμα εφαρμογής: κρατήστε αυτό το αποτέλεσμα χωριστά από την απομαγνητοφώνηση ώστε η προφορική πηγή να παραμένει διαθέσιμη για σύγκριση.

Ο παραγωγός δέχεται ηχογραφήσεις έως 60 λεπτά και περιγράφει επεξεργασία μεγάλων αρχείων με συμπιεσμένο ήχο όπως MP3, Opus ή AAC. Οι υποστηριζόμενες μορφές περιλαμβάνουν WAV, MP3, AAC σε M4A ή MP4, FLAC, Ogg με Opus ή Vorbis, WebM/Matroska και MOV. Για αρχείο βίντεο, χρησιμοποιεί την πρώτη ροή ήχου. Τα AIFF, CAF, WMA, AMR, AC-3 και ακατέργαστο PCM χωρίς κεφαλίδα δεν υποστηρίζονται. Παρέχεται ένα αρχείο ήχου ανά αίτημα· το αποτέλεσμα φτάνει μετά την απομαγνητοφώνηση ολόκληρης της ηχογράφησης και μια μεγάλη ηχογράφηση μπορεί να διαρκέσει αρκετά λεπτά στην επεξεργασία. Αποσπάσματα μικρότερα από περίπου 0,08 δευτερόλεπτα απορρίπτονται.

Η απόκριση του παραγωγού περιέχει το πλήρες κείμενο, τη διάρκεια ηχογράφησης σε δευτερόλεπτα και έναν πίνακα segments. Το Pro σημειώνει αλλαγές ομιλητή μέσα στο κείμενο με ετικέτες όπως <|speaker:0|> και <|speaker:1|>· μια ετικέτα εφαρμόζεται στο επόμενο κείμενο έως τον επόμενο δείκτη. Αυτά είναι αναγνωριστικά μέσα σε μία απόκριση, όχι επαληθευμένα ονόματα ή ταυτότητες που μπορούν να αντιστοιχιστούν μεταξύ αιτημάτων. Αν η απομαγνητοφώνηση δεν έχει δείκτη ομιλητή, ο οδηγός την αντιμετωπίζει ως αποτέλεσμα ενός ομιλητή. Κρατήστε οποιοδήποτε κείμενο πριν από τον πρώτο δείκτη μαζί με τον πρώτο γύρο ομιλίας αντί να το απορρίπτετε.

Οι χρονικές σημάνσεις ανά λέξη είναι προαιρετικές. Στο αίτημα προς τον παραγωγό, το ignore_timestamps έχει προεπιλογή true· ο ορισμός του σε false ζητά segments με text και χρόνους start και end σε δευτερόλεπτα. Ένα segment είναι γενικά μία λέξη ή ένας χαρακτήρας ή λίγοι χαρακτήρες στα κινεζικά και ιαπωνικά. Το κείμενο segment παραλείπει σημεία στίξης, δείκτες ομιλητών και ενδείξεις συμβάντων και μπορεί να κανονικοποιεί μια προφορική τιμή διαφορετικά από την πλήρη απομαγνητοφώνηση. Ένα segment λέξης μπορεί να έχει ίδιο χρόνο start και end. Ένας κενός πίνακας segments μπορεί να σημαίνει ότι δεν ζητήθηκαν χρονικές σημάνσεις, δεν βρέθηκε ομιλία ή ο χρονισμός ήταν προσωρινά μη διαθέσιμος. Χρησιμοποιήστε την πλήρη απομαγνητοφώνηση για ευανάγνωστη διατύπωση και τα segments για ευθυγράμμιση αντί να υποθέτετε ότι οι δύο συμβολοσειρές ταιριάζουν χαρακτήρα προς χαρακτήρα.

Η ρύθμιση diarize έχει προεπιλογή auto. Όταν ζητούνται χρονικές σημάνσεις και το diarize δεν είναι false, το Pro επιστρέφει επίσης speaker_turns. Κάθε γύρος ομιλίας περιέχει την ετικέτα ομιλητή, το κείμενο και τους χρόνους start/end, διατηρώντας στίξη και ενδείξεις χωρίς τον ενσωματωμένο δείκτη ομιλητή. Αν οι χρόνοι λέξεων δεν είναι διαθέσιμοι, οι χρόνοι γύρων μπορεί να είναι κατά προσέγγιση και να καλύπτουν ολόκληρη την ηχογράφηση· γειτονικοί γύροι δεν είναι απαραίτητα συνεχόμενοι ούτε χωρίς επικάλυψη. Η απενεργοποίηση του diarize αφαιρεί τη δομημένη λίστα γύρων αλλά αφήνει δείκτες ομιλητών στο πλήρες κείμενο. Ένα γνωστό πλήθος ομιλητών ή ελάχιστα και μέγιστα πλήθη μπορούν να καθοδηγούν τη διαίρεση μεγαλύτερης ηχογράφησης ανά ομιλητή κατά το δυνατόν. Το ακριβές πλήθος δεν μπορεί να συνδυάζεται με τα όρια πλήθους, και οι υποδείξεις πλήθους δεν μπορούν να χρησιμοποιούνται με απενεργοποιημένο diarize.

Οι ενδείξεις συναισθήματος και φωνητικών συμβάντων εμφανίζονται ως κείμενο σε αγκύλες, για παράδειγμα [laughter], δίπλα στην αναγνωρισμένη ομιλία. Είναι συμπεράσματα από τον ήχο, όχι λέξεις που πρέπει να προσθέσει ο χρήστης πριν την απομαγνητοφώνηση. Η ρύθμιση tag_audio_events του Pro έχει προεπιλογή true· η απενεργοποίησή της αφαιρεί αυτές τις ενδείξεις από την απομαγνητοφώνηση και το κείμενο γύρων χωρίς να αλλάζει τους χρόνους. Δεν υπάρχει χωριστό πεδίο συναισθήματος ή σταθερή απαρίθμηση συναισθημάτων. Διατηρήστε την επισημασμένη απομαγνητοφώνηση όταν έχει σημασία πώς ακούγεται ένα σχόλιο και χρησιμοποιήστε έκδοση χωρίς ενδείξεις όταν το μεταγενέστερο παραδοτέο χρειάζεται μόνο τις προφορικές λέξεις.

Η γλώσσα ανιχνεύεται αυτόματα. Μια προαιρετική υπόδειξη ISO 639-1 με πεζά γράμματα δεν επιβάλλει μετάφραση ούτε αλλάζει την απομαγνητοφώνηση του Pro. Αν η γλώσσα δεν μπορεί να προσδιοριστεί, ο επιστρεφόμενος κωδικός γλώσσας μπορεί να αντανακλά την υπόδειξη χωρίς να την επαληθεύει ως προς τον ήχο. Ο παραγωγός αναφέρει μία γλώσσα αντί για κατάλογο κάθε γλώσσας σε πολυγλωσσική ηχογράφηση. Κρατήστε την αρχική διατύπωση και τα μεταδεδομένα γλώσσας μαζί όταν προετοιμάζετε αναζητήσιμο αρχείο, ιδιαίτερα όταν διαφορετικά μέρη συνομιλίας αλλάζουν γλώσσα.

Για υποτίτλους, ομαδοποιήστε διαδοχικές λέξεις με χρόνους σε ευανάγνωστες εγγραφές SRT ή WebVTT αντί να παράγετε έναν υπότιτλο ανά λέξη. Διαχωρίστε εγγραφές γύρω από παύσεις και επιλέξτε το μήκος και τον χρόνο εμφάνισής τους σύμφωνα με το πρόγραμμα αναπαραγωγής και το κοινό. Τα όρια γύρων ομιλίας μπορούν να κρατούν διαφορετικούς ομιλητές σε χωριστές εγγραφές. Ελέγξτε αν το αποτέλεσμα χρονισμού είναι κενό και βεβαιωθείτε ότι το τέλος κάθε εγγραφής είναι μεταγενέστερο της αρχής της. Η μορφοποίηση υποτίτλων, τα ονόματα για ανώνυμες ετικέτες ομιλητών και οποιαδήποτε μεταγενέστερη σύνοψη είναι παραδοτέα εφαρμογής που κατασκευάζονται από το αποτέλεσμα απομαγνητοφώνησης.

Για πρακτική ροή ηχογράφησης, αποφασίστε πριν την απομαγνητοφώνηση αν χρειάζεστε απλή ευανάγνωστη απομαγνητοφώνηση, επισημασμένους γύρους συνομιλίας ή υποτίτλους με χρόνους. Κρατήστε το αναγνωριστικό ήχου μαζί με το αποτέλεσμα, διατηρήστε το πλήρες επιστρεφόμενο κείμενο όταν έχουν σημασία στίξη και ενδείξεις και χρησιμοποιήστε τα δομημένα πεδία χρόνων για πλοήγηση. Οι δυνατότητες του Pro για μεγάλες ηχογραφήσεις και πολλούς ομιλητές είναι διακριτές από το γενικό μοντέλο σύντομων ηχογραφήσεων Transcribe 1· τα όρια και τα στοιχεία ελέγχου τους δεν πρέπει να θεωρούνται εναλλάξιμα.