OpenAI: GPT-4o Mini Transcribe

GPT-4o Mini Transcribe es el modelo de voz a texto de OpenAI basado en GPT-4o Mini. Acepta audio con indicaciones textuales opcionales y produce texto reconocido. Es un modelo distinto de GPT-4o Transcribe, que utiliza GPT-4o, y del perfil GPT Transcribe más reciente, con sus campos independientes de palabras clave e indicaciones multilingües. El entregable útil aquí es una transcripción de la voz original de la grabación, preparada para búsqueda, revisión o un paso posterior de procesamiento de contenido.

Prepara la grabación

La guía de transcripción de archivos de OpenAI admite cargas de audio de hasta 25 MB. Su referencia actual del punto de acceso enumera FLAC, MP3, MP4, MPEG, MPGA, M4A, OGG, WAV y WebM, con metadatos suficientes de nombre de archivo y tipo de contenido para identificar el formato de audio. Las grabaciones más grandes pueden comprimirse o dividirse en partes de 25 MB o menos. Conserva los límites de las frases al dividir y mantén cada parte asociada a su grabación de origen y su posición para poder montar después el texto en el orden correcto.

Para notas de voz, conserva una transcripción identificable por grabación y comprueba los nombres o números antes de utilizar el texto para crear tareas. Para un tutorial hablado, compara las palabras reconocidas con las instrucciones originales antes de editarlas para publicación. Unas instrucciones de preparación útiles identifican el idioma hablado y los términos que podrían reconocerse mal. Transcribir las palabras es el primer paso; una interpretación, un resumen o una traducción pueden utilizar después la transcripción comprobada.

Indicaciones textuales y una sola indicación de idioma

Las integraciones existentes de GPT-4o Mini Transcribe admiten instrucciones textuales libres. OpenAI describe instrucciones para nombres, siglas, vocabulario específico de la grabación, puntuación, mayúsculas, muletillas y sistema de escritura preferido. La referencia del punto de acceso indica que las instrucciones deben coincidir con el idioma del audio y pueden aportar contexto de un segmento de audio anterior. Incluye grafías pertinentes o una descripción breve del tema, en lugar de pedir que unas instrucciones de transcripción se comporten como una instrucción de conversación sin restricciones.

La indicación de idioma establecida de este modelo utiliza el campo language en singular. La referencia del proveedor documenta un código ISO 639-1 de idioma de entrada, como en. Los campos independientes keywords y languages en plural están documentados para GPT Transcribe; no forman parte de este perfil Mini. Para una serie de grabaciones, conserva el ajuste previsto del idioma hablado con cada entrada, en lugar de interpretarlo como una solicitud de traducir el resultado.

Resultado JSON y probabilidades opcionales de tokens

La referencia actual del punto de acceso documenta JSON como formato de respuesta admitido para GPT-4o Mini Transcribe. Las palabras reconocidas aparecen en el campo text. Cuando se solicitan, los logaritmos de las probabilidades de los tokens pueden acompañar a la respuesta JSON; estos valores describen las probabilidades de los tokens del modelo y pueden ayudar a identificar material para una revisión más detenida. No establecen que un nombre, un número o una frase coincidan con el sonido. Utiliza la grabación para decidir si debe corregirse una palabra dudosa.

El perfil normal de transcripción Mini no proporciona salida nativa SRT, VTT, marcas de tiempo detalladas por palabra ni salida etiquetada por hablante mediante esas especificaciones JSON. OpenAI documenta modelos y formatos especializados para esas capacidades. Si el entregable previsto es una pista de subtítulos, conserva la transcripción revisada para un flujo de sincronización independiente, en lugar de suponer que un resultado exclusivamente textual ya contiene los límites de los subtítulos.

Salida de archivos transmitida y modos documentados

La guía de voz a texto del proveedor indica explícitamente que las integraciones existentes de GPT-4o Mini Transcribe admiten transmisión de archivos en continuo. Una grabación finalizada puede producir texto de transcripción parcial seguido de un resultado final mientras se procesa. Conserva la transcripción final como el entregable completado; la aparición de texto parcial no significa que el flujo de archivos esté recibiendo continuamente audio de un micrófono en vivo. La ficha del modelo enumera por separado las familias de puntos de acceso de transcripción y Realtime. Esas interfaces del proveedor no implican que todos los campos de sesión de un modelo de transcripción diferente se apliquen aquí.

Contexto, capacidad de salida y comprobaciones útiles

La especificación actual del modelo de OpenAI indica una ventana de contexto de 16,000 tokens, una salida máxima de 2,000 tokens y una fecha límite de conocimientos del 1 de junio de 2024. Son cifras de la especificación del modelo, no una duración universal en minutos para una grabación de audio. La regla de tamaño de archivo y una capacidad en tokens describen restricciones diferentes. Para material extenso, prepara la grabación conforme al flujo de archivos documentado, lleva el contexto pertinente entre las partes y comprueba que el texto final incluya el final de la fuente.

Un resultado útil de Mini Transcribe conserva las palabras y su relación con la grabación, manteniendo los datos opcionales de probabilidad separados de las correcciones editoriales. Revisa el vocabulario desconocido, los acentos, el ruido de fondo, los cambios de idioma y las voces solapadas con el audio original disponible. Al revisar el texto para mejorar su legibilidad, distingue esa versión editorial de la transcripción reconocida para que los usuarios posteriores puedan saber qué palabras procedían de la grabación y cuáles se cambiaron durante la preparación.