Fish Audio: Transcribe 1

Transcribe 1 es el modelo general de voz a texto de Fish Audio para grabaciones cortas. Acepta un archivo de audio y devuelve las palabras reconocidas como texto, junto con la duración de la grabación, segmentos temporizados opcionales e información del idioma cuando se conoce. Este modelo resulta útil para una nota de voz corta, una instrucción hablada, un fragmento de una grabación o un clip de audio que necesita una representación legible en texto.

Un flujo ilustrativo de notas de voz conserva la grabación junto con su transcripción completa y un identificador del clip original. Un paso posterior de la aplicación puede buscar en ese texto, organizar la nota o elaborar un resumen mientras conserva la fuente hablada. Para una orden, la transcripción proporciona a la aplicación las palabras reconocidas; cualquier acción es un paso separado de interpretación y ejecución. Para un fragmento de entrevista, registra la posición del clip dentro del audio completo para poder comprobar una cita en el lugar correcto.

El productor acepta WAV, MP3, AAC, incluidos M4A/MP4, FLAC y Ogg con Opus o Vorbis. Las grabaciones de navegador en WebM deben convertirse a Ogg/Opus, MP3 o WAV para este modelo; Pro documenta compatibilidad nativa con contenedores adicionales. Proporciona un archivo de audio por solicitud. La capacidad documentada de las solicitudes del modelo base es de hasta 50 MiB, manteniendo los archivos MP3 y Opus por debajo de 25 MiB. El tamaño del archivo y la duración de la grabación son aspectos distintos: un archivo comprimido puede caber dentro del límite de carga y aun así tardar demasiado en procesarse.

Transcribe 1 está diseñado para grabaciones cortas. El productor recomienda Pro para audio de más de unos cuantos minutos; una solicitud larga al modelo base puede fallar si supera el límite de tiempo de procesamiento. Al preparar una fuente más larga para transcribir clips cortos, conserva el desplazamiento inicial de cada clip y confirma que la transcripción devuelta cubra el clip completo antes de combinar los resultados. Suma el desplazamiento original a los tiempos locales de los segmentos para mantener la navegación vinculada con la grabación completa. Las indicaciones del modelo base no deben interpretarse como el límite independiente de 60 minutos de Pro.

La respuesta del productor incluye texto, duración y segmentos. La duración se expresa en segundos, y la transcripción completa legible debe conservarse como la redacción principal del clip. Las marcas de tiempo son opcionales: ignore_timestamps tiene el valor predeterminado true en la API del productor, mientras que false solicita segmentos por palabra con texto y tiempos de inicio y fin en segundos. Solicitar alineación añade tiempo de procesamiento. Un arreglo segments vacío puede reflejar que se omitieron los tiempos, que no hay habla o que la alineación no está disponible temporalmente, por lo que no debe interpretarse automáticamente como una transcripción completa vacía.

Los segmentos suelen ser palabras, o un carácter o unos cuantos en chino y japonés. Su texto omite la puntuación y puede normalizar un valor de forma distinta de la transcripción completa; no es una copia carácter por carácter de la respuesta legible. Un segmento puede tener el mismo tiempo de inicio y fin. Usa los segmentos para localizar una posición en la grabación o preparar una presentación temporizada, y utiliza el texto completo cuando importen la redacción y la puntuación. Mantén separadas estas dos representaciones en el entregable resultante.

El idioma se detecta automáticamente, se proporcione o no una indicación opcional del idioma. El productor documenta códigos ISO 639-1 en minúsculas para las indicaciones y devuelve un código de idioma para la lógica de la aplicación junto con un nombre de idioma para mostrar cuando se conoce. La respuesta informa un solo idioma, en lugar de todos los idiomas de una grabación que alterna entre varios. Conserva la redacción original y los metadatos de idioma disponibles junto con el resultado, en vez de tratar la solicitud de transcripción como una operación de traducción.

Para un flujo de subtítulos, agrupa segmentos temporizados consecutivos en bloques legibles en lugar de mostrar una palabra a la vez. Una salida útil es un archivo SRT o WebVTT vinculado al clip original, con límites de bloques que se ajusten a las pausas y una cantidad manejable de texto en pantalla. Comprueba que no falten tiempos y que el final de cada bloque sea posterior a su inicio. La agrupación de subtítulos y el formato del archivo son pasos de la aplicación construidos a partir de la alineación devuelta, y sus opciones de visualización deben ajustarse al reproductor y a la audiencia.

Los controles documentados de Transcribe 1 son el audio, una indicación de idioma y la elección de marcas de tiempo. Los marcadores de hablantes, turnos estructurados de hablantes, controles de eventos emocionales e indicaciones del número de hablantes de Pro son funciones separadas; no forman parte del contrato de respuesta documentado de este modelo base. Elige el entregable requerido antes del procesamiento: texto legible sin más para una nota, o texto junto con alineación para navegación durante la reproducción y subtítulos. Conservar el identificador del clip, la transcripción y cualquier temporización disponible hace que ese resultado sea útil para la siguiente etapa de la aplicación.