OpenAI: GPT-4o Transcribe

Το GPT-4o Transcribe είναι το μοντέλο μετατροπής ομιλίας σε κείμενο της OpenAI που βασίζεται στο GPT-4o. Η είσοδός του είναι ήχος με προαιρετική καθοδήγηση κειμένου και η έξοδός του είναι το αναγνωρισμένο κείμενο. Διαφέρει από την έκδοση GPT-4o Mini Transcribe και από το GPT-4o Transcribe Diarize, το εξειδικευμένο μοντέλο ετικετών ομιλητών. Χρησιμοποιήστε αυτό το προφίλ για να προετοιμάσετε μια πιστή γραπτή καταγραφή προφορικού υλικού, διατηρώντας διαθέσιμη την αρχική ηχογράφηση για έλεγχο και μεταγενέστερη συντακτική επεξεργασία.

Είσοδος αρχείων και προετοιμασία εκτενούς υλικού

Ο οδηγός απομαγνητοφώνησης της OpenAI τεκμηριώνει μεταφορτώσεις έως 25 MB. Η τρέχουσα αναφορά του τελικού σημείου δέχεται FLAC, MP3, MP4, MPEG, MPGA, M4A, OGG, WAV και WebM και συνιστά μεταδεδομένα αρχείου που προσδιορίζουν τη μορφή, συμπεριλαμβανομένου ονόματος αρχείου με επέκταση και κατάλληλου τύπου περιεχομένου. Για μια μεγαλύτερη ηχογράφηση, η συμπίεση ή τα διατεταγμένα μέρη των 25 MB ή λιγότερο ακολουθούν τις οδηγίες του παρόχου για μεγαλύτερη είσοδο. Αποφύγετε τον διαχωρισμό στη μέση μιας πρότασης και διατηρήστε τη θέση κάθε μέρους στην πλήρη ηχογράφηση.

Για μια συνέντευξη, συσχετίστε κάθε αρχείο εισόδου με την ηχογράφηση και το απόσπασμα που καλύπτει. Για μια τεχνική παρουσίαση, προετοιμάστε τα σχετικά ονόματα προϊόντων, ακρωνύμια και την ορολογία του πεδίου ως συμφραζόμενα και έπειτα ελέγξτε αυτές τις γραφές έναντι όσων πράγματι είπε ο ομιλητής. Για μια ηχογραφημένη εξήγηση με αριθμητικές τιμές, ελέγξτε την απομαγνητοφώνηση μαζί με την πηγή πριν τη μετατρέψετε σε γραπτή διαδικασία. Το επιδιωκόμενο πρώτο παραδοτέο είναι αναγνωρισμένη ομιλία σε μορφή κειμένου· μια συνοπτική αναφορά ή ένα μεταφρασμένο έγγραφο μπορούν να προετοιμαστούν από αυτό το κείμενο ως ξεχωριστό βήμα.

Οδηγίες για τη συγκεκριμένη ηχογράφηση και επιλογή γλώσσας

Ο οδηγός του παρόχου περιλαμβάνει ρητά το GPT-4o Transcribe στην υποστήριξη οδηγιών απομαγνητοφώνησης. Οι οδηγίες μπορούν να παρέχουν σωστές γραφές, συμφραζόμενα από προηγούμενο τμήμα και προτιμήσεις για στίξη, χρήση κεφαλαίων, λεκτικά γεμίσματα ή σύστημα γραφής. Η αναφορά δηλώνει ότι πρέπει να ταιριάζουν με τη γλώσσα της ηχογράφησης. Μια σύντομη, σχετική περιγραφή του θέματος και του λεξιλογίου δίνει χρήσιμα συμφραζόμενα στην απομαγνητοφώνηση χωρίς να αντιμετωπίζει όρους που δεν ειπώθηκαν ως απαιτούμενη έξοδο.

Αυτό το προφίλ υποστηρίζει την παράμετρο language στον ενικό, τεκμηριωμένη στη μορφή ISO 639-1. Η παροχή της πραγματικής γλώσσας εισόδου μπορεί να βοηθήσει την αναγνώριση. Τα νεότερα πεδία keywords και languages στον πληθυντικό του GPT Transcribe ανήκουν σε εκείνο το ξεχωριστά ονομαζόμενο μοντέλο και δεν πρέπει να θεωρούνται διαθέσιμα για το GPT-4o Transcribe. Διατηρήστε τη ρύθμιση γλώσσας συνδεδεμένη με την ομιλία που απομαγνητοφωνείτε και διατηρήστε την αρχική διατύπωση πριν από κάθε μεταγενέστερη μετάφραση ή υφολογική αναδιατύπωση.

Μορφή αποτελέσματος, πιθανότητες και εξειδικευμένες έξοδοι

Η τρέχουσα αναφορά του τελικού σημείου τεκμηριώνει το JSON ως την υποστηριζόμενη μορφή απάντησης του GPT-4o Transcribe. Το αποτέλεσμα περιέχει αναγνωρισμένο κείμενο και μπορούν να ζητηθούν προαιρετικές λογαριθμικές πιθανότητες tokens με αυτήν τη μορφή JSON. Τα δεδομένα πιθανοτήτων περιγράφουν την επιλογή tokens από το μοντέλο. Μπορούν να δείξουν ποια αποσπάσματα αξίζουν εξέταση, αλλά η σύγκριση με τον ήχο αποδεικνύει αν η απομαγνητοφώνηση αναπαράγει ένα δύσκολο όνομα, αριθμό ή φράση.

Το αποτέλεσμα JSON του τυπικού προφίλ δεν παρέχει εγγενείς μορφές υποτίτλων, αναλυτικές χρονικές σημάνσεις λέξεων ή αναθέσεις ομιλητών. Η OpenAI τεκμηριώνει άλλες επιλογές μοντέλων και μορφών όταν χρειάζονται αυτές οι έξοδοι· το GPT-4o Transcribe Diarize είναι η ξεχωριστή έκδοση ετικετών ομιλητών. Για μια εργασία υποτιτλισμού, διατηρήστε μια ελεγμένη απομαγνητοφώνηση για κατάλληλο βήμα χρονισμού. Για μια συνομιλία, μην επινοείτε ονόματα ομιλητών μόνο επειδή μια παράγραφος της απομαγνητοφώνησης φαίνεται να αλλάζει θέμα ή φωνή.

Σταδιακά αποτελέσματα από ολοκληρωμένο αρχείο

Ο οδηγός μετατροπής ομιλίας σε κείμενο της OpenAI αναφέρει ότι οι υπάρχουσες ενσωματώσεις GPT-4o Transcribe υποστηρίζουν συνεχή ροή από αρχεία. Η εφαρμογή παρέχει πρώτα την ηχογράφηση, έπειτα λαμβάνει το κείμενο απομαγνητοφώνησης καθώς γίνεται η επεξεργασία της και διατηρεί το ολοκληρωμένο αποτέλεσμα. Αυτό μεταδίδει σταδιακά την απομαγνητοφώνηση μιας ολοκληρωμένης ηχογράφησης αντί να δέχεται ήχο μικροφώνου καθώς φτάνει. Η ακριβής κάρτα του μοντέλου αναφέρει επίσης τις οικογένειες τελικών σημείων απομαγνητοφώνησης και Realtime· η συμπεριφορά συνεδρίας για το συγκεκριμένο μοντέλο πρέπει να παραμένει συνδεδεμένη με αυτό το προφίλ, αντί να δανείζεται από ένα νεότερο μοντέλο συνεχούς ροής.

Όρια μοντέλου και έλεγχος του τελικού παραδοτέου

Η τρέχουσα προδιαγραφή του GPT-4o Transcribe αναφέρει παράθυρο συμφραζομένων 16.000 tokens, μέγιστη έξοδο 2.000 tokens και όριο γνώσεων την 1η Ιουνίου 2024. Αυτά τα όρια tokens δεν είναι σταθερή διάρκεια ήχου και δεν αντικαθιστούν τους κανόνες προετοιμασίας για απομαγνητοφώνηση αρχείων. Για μια εκτενή ηχογράφηση, διατηρήστε τη σειρά της πηγής και τα σχετικά προηγούμενα συμφραζόμενα και έπειτα επαληθεύστε ότι το ολοκληρωμένο κείμενο φτάνει στο τέλος κάθε επιδιωκόμενου τμήματος.

Μια χρήσιμη τελική απομαγνητοφώνηση μπορεί να γίνει αναζητήσιμο υλικό συνέντευξης, πηγή τεχνικής τεκμηρίωσης ή κείμενο για μεταγενέστερη ροή υποτιτλισμού. Ελέγξτε αβέβαιο λεξιλόγιο, ποσότητες, στίξη, προφορές και επικαλυπτόμενη ομιλία έναντι της ηχογράφησης. Διατηρήστε το αναγνωρισμένο κείμενο χωριστά από μεταγενέστερες διορθώσεις ή συνόψεις και διατηρήστε τη σύνδεση με την πηγή μέσω αναγνωριστικών στην περιβάλλουσα ροή εργασίας. Το μοντέλο παρέχει γραπτή καταγραφή· η προσεκτική προετοιμασία εισόδου και ο έλεγχος της πηγής καθορίζουν αν αυτή η καταγραφή είναι κατάλληλη για την επόμενη χρήση.