gpt-4o-transcribe-diarize

GPT-4o Transcribe Diarize es el modelo de reconocimiento automático de voz de OpenAI con diarización de hablantes integrada. Asocia segmentos de audio transcritos con distintos hablantes de una conversación. El resultado útil es una transcripción organizada por hablante y tiempo, en lugar de un bloque continuo de palabras. Está destinado a voz grabada que necesita etiquetas de hablantes, como una reunión, una entrevista o una conversación con varias personas.

Prepara la grabación finalizada

Proporciona la grabación que debe transcribirse. El flujo de archivos documentado admite MP3, MP4, MPEG, MPGA, M4A, WAV y WebM, con un límite de tamaño de archivo de 25 MB. Conserva la grabación de origen para que un turno de palabra, un nombre o una frase poco clara puedan comprobarse frente al audio real.

Para una reunión, conserva la secuencia de la conversación en lugar de cortar las pausas breves que ayudan a distinguir los turnos. Para una entrevista, mantén juntas la pregunta y la respuesta cuando la tarea necesite su relación. La preparación del audio debe hacer audible la voz sin eliminar información importante para el resultado etiquetado por hablante.

Este es un flujo de transcripción de archivos. Procesar una grabación finalizada y reconocer un flujo de audio que sigue llegando son tareas diferentes; el etiquetado de hablantes del modelo no se admite en sesiones de transcripción Realtime.

Solicita una transcripción etiquetada por hablante

El formato de resultado diarized_json devuelve segmentos con etiquetas de identidad del hablante y tiempos de inicio y fin. Cada segmento también contiene su texto transcrito. Mantén juntos esos campos para poder vincular las palabras con la parte pertinente de la grabación.

Para una transcripción útil de una reunión, conserva la secuencia de segmentos y muestra las palabras de cada hablante con sus marcas de tiempo. Una tarea posterior puede utilizar esa transcripción para preparar un acta o acciones pendientes, pero la diarización en sí no determina qué se acordó en la reunión ni genera un resumen verificado.

Las etiquetas de hablantes describen la agrupación de la voz que hace el modelo. Inspecciona las transiciones en las que las personas se interrumpen, hablan brevemente o se solapan. Un resultado bien estructurado facilita la navegación y la revisión, mientras que una atribución concreta puede seguir requiriendo escuchar el audio original.

Referencias de hablantes conocidos

El flujo documentado puede aceptar hasta cuatro referencias de hablantes con nombre. Cada referencia es un breve fragmento de audio de 2–10 segundos en un formato admitido por la carga principal. Los nombres y las referencias se proporcionan juntos para poder asociar los segmentos con hablantes conocidos.

Prepara una referencia que contenga claramente al hablante previsto y mantén su nombre coherente con las etiquetas previstas para la transcripción. Para una entrevista, una referencia de quien la realiza puede ayudar a organizar el resultado etiquetado por hablante sin que cada participante quede identificado solo con una etiqueta anónima. La referencia es una entrada para la atribución; no es una operación general de clonación de voz ni una prueba de la identidad de una persona.

No confundas dar nombre a un hablante con editar las palabras que se pronunciaron. La salida útil debe seguir conservando el contenido de la grabación y el orden real de los turnos.

División en fragmentos y límites del modelo

Para audio de más de 30 segundos, el proveedor exige una estrategia de división en fragmentos, ya sea automática o mediante una configuración de detección de actividad de voz. Ese requisito no es una duración máxima de grabación. Describe cómo se divide una entrada más larga para procesarla.

La ficha del modelo indica una ventana de contexto de 16,000 tokens y un máximo de 2,000 tokens de salida. Son límites de tokens del modelo, independientes del límite de carga de 25 MB del flujo de archivos y del umbral de división en fragmentos. No deben convertirse en un número inventado de minutos que se aplique a todas las grabaciones.

Conserva los tiempos y la identidad de los segmentos al montar o inspeccionar una transcripción más larga. Si una grabación se ha dividido antes del envío, conserva la relación de cada parte con el audio original para no confundir una marca de tiempo local con su posición en la conversación completa.

Transmisión de segmentos finalizados

El flujo de transcripción de archivos puede transmitir texto a medida que se procesa la grabación. En la transmisión etiquetada por hablante, los segmentos completados producen eventos de segmento. Los incrementos de texto incluyen un identificador de segmento, pero no contienen asignaciones parciales de hablantes; se asigna un hablante cuando se finaliza el segmento.

Esta diferencia importa para la presentación. Muestra el texto provisional y un turno de palabra finalizado como estados distintos, en lugar de añadir una etiqueta de hablante incierta antes de que el modelo haya completado el segmento. Conserva el resultado completado cuando la transcripción se necesite para edición o análisis posteriores.

Límites del modelo y de la salida

Este perfil es el modelo de diarización, independiente de la transcripción GPT-4o ordinaria, la transcripción Mini, la síntesis de voz y los modelos de conversación en vivo. No admite instrucciones textuales para la transcripción; mantén cualquier revisión o corrección terminológica como un paso independiente comprobado frente al audio original. Su interfaz del proveedor transcribe audio grabado en texto. No genera una respuesta de audio ni traduce una grabación mediante el flujo independiente de traducción de audio.

Utilízalo para transcripciones que necesitan tanto contenido como estructura de hablantes. Comprueba los nombres, los términos técnicos, los números, los límites de turnos y las atribuciones frente a la grabación. Conserva el audio, el formato de resultado elegido, las referencias y la transcripción completada para que una corrección pueda abordar una frase concreta o una atribución de hablante.