Deepgram: Nova-3

Nova-3 es el modelo de reconocimiento de voz de uso general de Deepgram para convertir audio en texto. El productor lo recomienda para reuniones, subtítulos de eventos, grabaciones con varios hablantes y condiciones difíciles como ruido o micrófonos distantes, mediante transcripción de grabaciones o en streaming. Su resultado útil es habla reconocida con tiempos e información de confianza que sigue conectada con el audio de origen.

Elige el flujo de idioma

El idioma predeterminado documentado es el inglés. Una solicitud monolingüe selecciona el idioma hablado o una configuración regional compatible. La tabla actual del modelo general incluye variantes regionales del inglés, español, francés, alemán, ruso, portugués, japonés, italiano, neerlandés, árabe, escrituras chinas y muchos otros idiomas, incluido el kazajo. Selecciona entre los códigos compatibles del productor, en lugar de suponer que se acepta cualquier nombre de configuración regional.

El ajuste multilingüe es un flujo separado de alternancia entre idiomas. La tabla actual de Nova-3 enumera diez idiomas para él: inglés, español, francés, alemán, hindi, ruso, portugués, japonés, italiano y neerlandés. Este conjunto no es idéntico a la lista monolingüe más amplia. Para una grabación que alterna entre idiomas compatibles, prepara el modo multilingüe, en lugar de forzar toda la conversación a un ajuste monolingüe sin relación. Conserva lo que se dijo antes de preparar cualquier versión traducida o resumida.

Audio grabado y preparación de la transcripción

El flujo de archivos de Deepgram acepta bytes de audio cargados o una referencia a un archivo de audio. Guarda la transcripción devuelta cuando se complete la solicitud; el productor no almacena transcripciones para recuperarlas después. Los formatos y codificaciones de entrada comunes documentados incluyen MP3, MP4, MP2, AAC, WAV, FLAC, PCM, M4A, Ogg, Opus y WebM. Conserva el formato real y la información de canales junto con la grabación. Asigna a la grabación un identificador estable y mantén el resultado asociado a la fuente correcta y a su información de canales. Para una reunión, revisa nombres de participantes y términos técnicos mientras escuchas el sonido original. Para una conferencia o evento, conserva la secuencia del audio para que un subtítulo o resultado de búsqueda posterior pueda localizar el pasaje pertinente.

La guía de grabaciones del productor indica un tamaño máximo de archivo de 2 GB y recomienda extraer la pista de audio de un archivo de vídeo grande. También documenta un tiempo de espera de procesamiento de diez minutos para solicitudes Nova. Ese tiempo de espera se refiere a cuánto dura el procesamiento de la solicitud, no a una duración máxima de grabación de diez minutos. Un resultado útil incluye el final de la grabación prevista; una transcripción conservada parcialmente no debe tratarse como el texto completo.

Lee las palabras, los tiempos y la confianza

La respuesta JSON documentada incluye alternativas de transcripción y palabras reconocidas, con el tiempo de inicio y fin de cada palabra en segundos desde el principio del audio y un valor de confianza. Para una transcripción con varios hablantes, la diarización opcional del productor asigna una etiqueta de hablante a cada palabra. La diarización de grabaciones también devuelve confianza del hablante; la diarización en streaming devuelve la etiqueta de hablante. Revisa esas etiquetas frente a las voces de la grabación. También se comunica la confianza global de transcripción en una escala de 0 a 1. Cuando se solicita formato inteligente, el resultado puede incluir puntuación y mayúsculas en las palabras puntuadas, junto con información de párrafos legibles.

Utiliza esos campos según su significado. El tiempo de una palabra localiza habla reconocida, mientras que la confianza es la indicación de fiabilidad del modelo, no una prueba de que un nombre o cantidad difíciles se hayan oído correctamente. Para preparar subtítulos, conserva los tiempos junto con una formulación revisada y examina los límites frente al sonido. Para una versión editorial legible, mantén los cambios distinguibles de la transcripción reconocida, en lugar de sustituir silenciosamente palabras inciertas por una historia plausible.

Reconocimiento en streaming y segmentos finales

El flujo en streaming de Nova devuelve texto conforme llega el audio, con resultados provisionales y finales. El indicador is_final distingue el texto que puede revisarse de un segmento finalizado. El indicador speech_final se refiere a la detección del final de un segmento hablado. Mantén estas señales separadas del simple hecho de recibir una transcripción no vacía y conserva los segmentos finales en su orden de audio al preparar el registro completo.

Nova-3 es ASR general, distinto del modelo conversacional separado Flux con detección de turnos nativa del modelo. Nova marca la finalización de transcripciones y los puntos finales del habla; Flux aporta sus propios eventos de estado de turnos conversacionales. Elige el flujo de transcripción en función de si el audio ya está grabado o llega en directo, utilizando la salida final real como el artefacto que se debe conservar.

Keyterms para el vocabulario que importa

El Keyterm Prompting documentado de Nova-3 admite transcripción monolingüe y multilingüe y adapta el reconocimiento hacia términos importantes sin volver a entrenar el modelo. Proporciona nombres, términos de producto, siglas o frases de varias palabras pertinentes que puedan pronunciarse realmente. La guía limita la entrada combinada de keyterms a 500 tokens y recomienda centrarse en el vocabulario más importante, en lugar de añadir palabras comunes indiscriminadamente.

La sintaxis del productor utiliza términos simples, con una entrada keyterm separada para cada término. Una frase de varias palabras sigue siendo una sola frase. Los pesos o intensificadores antiguos de palabras clave y la unión de términos separados con comas, puntos y coma o saltos de línea no son equivalentes: la interfaz puede aceptarlos como un valor literal único sin aportar el refuerzo previsto. Utiliza las mayúsculas correctas para los nombres y después comprueba la transcripción porque el contexto de audio y el formato inteligente aún pueden cambiar la forma escrita final.

Límites de familia y resultados útiles

El perfil general Nova-3 es distinto de las opciones con nombres separados Medical y Pharma. La orientación de vocabulario no lo convierte en otra edición y no deben darse por supuestas para el modelo general la cobertura lingüística o el comportamiento de modelos especializados. Las funciones adicionales de procesamiento de transcripciones son opciones del flujo de voz del productor, no evidencia de que el reconocimiento haya producido un resumen, una traducción u otro artefacto que nunca se solicitó.

Un entregable útil de Nova-3 puede ser una transcripción consultable de reunión, una formulación lista para subtítulos con tiempos de palabra o un registro de conversación multilingüe. Conserva el identificador de audio, el flujo de idioma seleccionado, el texto final y cualquier campo útil de confianza o tiempos. Comprueba los nombres poco claros, los números, las voces solapadas y los cambios de idioma frente a la grabación original y mantén disponible el habla realmente reconocida para el siguiente paso de procesamiento de contenido.