Fish Audio: Transcribe 1

Το Transcribe 1 είναι το γενικό μοντέλο μετατροπής ομιλίας σε κείμενο της Fish Audio για σύντομες ηχογραφήσεις. Δέχεται ένα αρχείο ήχου και επιστρέφει τις αναγνωρισμένες λέξεις ως κείμενο, μαζί με τη διάρκεια της ηχογράφησης, προαιρετικά χρονισμένα τμήματα και πληροφορίες γλώσσας όταν είναι γνωστές. Είναι χρήσιμο για μια σύντομη φωνητική σημείωση, μια προφορική οδηγία, ένα απόσπασμα ηχογράφησης ή ένα ηχητικό κλιπ που χρειάζεται ευανάγνωστη αναπαράσταση κειμένου.

Μια ενδεικτική ροή φωνητικών σημειώσεων διατηρεί την ηχογράφηση μαζί με την πλήρη απομαγνητοφώνηση και ένα αναγνωριστικό για το αρχικό κλιπ. Ένα μεταγενέστερο βήμα της εφαρμογής μπορεί να αναζητήσει μέσα σε αυτό το κείμενο, να οργανώσει τη σημείωση ή να δημιουργήσει περίληψη διατηρώντας την προφορική πηγή. Για μια εντολή, η απομαγνητοφώνηση παρέχει τις αναγνωρισμένες λέξεις στην εφαρμογή· κάθε ενέργεια αποτελεί ξεχωριστό βήμα ερμηνείας και εκτέλεσης. Για απόσπασμα συνέντευξης, καταγράψτε τη θέση του κλιπ στο πλήρες ηχητικό αρχείο ώστε ένα παράθεμα να μπορεί να ελεγχθεί στο σωστό σημείο.

Ο παραγωγός δέχεται WAV, MP3, AAC, συμπεριλαμβανομένων των M4A/MP4, FLAC και Ogg που περιέχει Opus ή Vorbis. Οι εγγραφές προγράμματος περιήγησης σε WebM πρέπει να μετατρέπονται σε Ogg/Opus, MP3 ή WAV για αυτό το μοντέλο· το Pro τεκμηριώνει εγγενή υποστήριξη πρόσθετων μορφών περιέκτη. Παρέχετε ένα αρχείο ήχου ανά αίτημα. Το τεκμηριωμένο όριο αιτήματος του βασικού μοντέλου είναι έως 50 MiB, με τα αρχεία MP3 και Opus κάτω από 25 MiB. Το μέγεθος αρχείου και η διάρκεια ηχογράφησης είναι διαφορετικά ζητήματα: ένα συμπιεσμένο αρχείο μπορεί να χωρά στο όριο μεταφόρτωσης αλλά να χρειάζεται υπερβολικά μεγάλο χρόνο επεξεργασίας.

Το Transcribe 1 σχεδιάστηκε για σύντομες ηχογραφήσεις. Ο παραγωγός συνιστά το Pro για ήχο μεγαλύτερης διάρκειας από λίγα λεπτά· ένα μεγάλο αίτημα στο βασικό μοντέλο μπορεί να αποτύχει αν υπερβεί το χρονικό όριο επεξεργασίας. Όταν προετοιμάζετε μια μεγαλύτερη πηγή για απομαγνητοφώνηση σύντομων κλιπ, διατηρήστε τη χρονική μετατόπιση έναρξης κάθε κλιπ και επιβεβαιώστε ότι η επιστρεφόμενη απομαγνητοφώνηση καλύπτει ολόκληρο το κλιπ πριν συνδυάσετε τα αποτελέσματα. Προσθέστε την αρχική μετατόπιση στους τοπικούς χρόνους των τμημάτων ώστε η πλοήγηση να παραμένει συνδεδεμένη με την πλήρη ηχογράφηση. Οι οδηγίες για το βασικό μοντέλο δεν πρέπει να ερμηνεύονται ως το ξεχωριστό όριο των 60 λεπτών του Pro.

Η απόκριση του παραγωγού περιλαμβάνει κείμενο, διάρκεια και τμήματα. Η διάρκεια εκφράζεται σε δευτερόλεπτα και η ευανάγνωστη πλήρης απομαγνητοφώνηση πρέπει να διατηρείται ως η κύρια διατύπωση του κλιπ. Οι χρονικές σημάνσεις είναι προαιρετικές: το ignore_timestamps έχει προεπιλογή true στο API του παραγωγού, ενώ το false ζητά τμήματα ανά λέξη με κείμενο και χρόνους έναρξης και λήξης σε δευτερόλεπτα. Το αίτημα χρονικής ευθυγράμμισης προσθέτει χρόνο επεξεργασίας. Ένας κενός πίνακας segments μπορεί να σημαίνει παράλειψη χρονισμού, απουσία ομιλίας ή προσωρινά μη διαθέσιμη ευθυγράμμιση, επομένως δεν πρέπει να ερμηνεύεται αυτόματα ως κενή πλήρης απομαγνητοφώνηση.

Τα τμήματα είναι συνήθως λέξεις ή ένας χαρακτήρας ή λίγοι χαρακτήρες στα κινεζικά και τα ιαπωνικά. Το κείμενό τους παραλείπει τη στίξη και μπορεί να κανονικοποιεί μια τιμή διαφορετικά από την πλήρη απομαγνητοφώνηση· δεν είναι αντίγραφο χαρακτήρα προς χαρακτήρα της ευανάγνωστης απόκρισης. Ένα τμήμα μπορεί να έχει τον ίδιο χρόνο έναρξης και λήξης. Χρησιμοποιήστε τα τμήματα για εντοπισμό θέσης στην ηχογράφηση ή προετοιμασία χρονισμένης προβολής και το πλήρες κείμενο όταν έχουν σημασία η διατύπωση και η στίξη. Διατηρήστε διακριτές τις δύο αναπαραστάσεις στο τελικό παραδοτέο.

Η γλώσσα ανιχνεύεται αυτόματα, είτε παρέχεται προαιρετική υπόδειξη γλώσσας είτε όχι. Ο παραγωγός τεκμηριώνει πεζούς κωδικούς ISO 639-1 για τις υποδείξεις και επιστρέφει κωδικό γλώσσας για τη λογική της εφαρμογής, μαζί με όνομα γλώσσας για προβολή όταν είναι γνωστό. Η απόκριση αναφέρει μία γλώσσα και όχι κάθε γλώσσα μιας ηχογράφησης που εναλλάσσει γλώσσες. Διατηρήστε την αρχική διατύπωση και τα διαθέσιμα μεταδεδομένα γλώσσας μαζί με το αποτέλεσμα, αντί να αντιμετωπίζετε το αίτημα απομαγνητοφώνησης ως λειτουργία μετάφρασης.

Για μια ροή υποτίτλων, ομαδοποιήστε διαδοχικά χρονισμένα τμήματα σε ευανάγνωστες ατάκες αντί να προβάλλετε μία λέξη κάθε φορά. Ένα χρήσιμο αποτέλεσμα είναι ένα αρχείο SRT ή WebVTT συνδεδεμένο με το αρχικό κλιπ, με όρια ατακών που ταιριάζουν στις παύσεις και με διαχειρίσιμη ποσότητα κειμένου στην οθόνη. Ελέγξτε για ελλείποντα χρονισμό και βεβαιωθείτε ότι η λήξη κάθε ατάκας έπεται της έναρξής της. Η ομαδοποίηση υποτίτλων και η μορφοποίηση αρχείων είναι βήματα της εφαρμογής που βασίζονται στην επιστρεφόμενη ευθυγράμμιση, και οι επιλογές προβολής πρέπει να ταιριάζουν στη συσκευή αναπαραγωγής και το κοινό.

Οι τεκμηριωμένες ρυθμίσεις του Transcribe 1 είναι ο ήχος, η υπόδειξη γλώσσας και η επιλογή χρονικών σημάνσεων. Οι δείκτες ομιλητών, οι δομημένες εναλλαγές ομιλητών, οι ρυθμίσεις συναισθηματικών συμβάντων και οι υποδείξεις αριθμού ομιλητών του Pro είναι ξεχωριστές δυνατότητες· δεν ανήκουν στην τεκμηριωμένη σύμβαση απόκρισης αυτού του βασικού μοντέλου. Επιλέξτε το απαιτούμενο παραδοτέο πριν από την επεξεργασία: απλό ευανάγνωστο κείμενο για μια σημείωση ή κείμενο μαζί με ευθυγράμμιση για πλοήγηση κατά την αναπαραγωγή και υπότιτλους. Η διατήρηση του αναγνωριστικού κλιπ, της απομαγνητοφώνησης και κάθε διαθέσιμου χρονισμού κάνει το αποτέλεσμα χρήσιμο για το επόμενο στάδιο της εφαρμογής.