Fish Audio: Transcribe 1 Pro

Transcribe 1 Pro on Fish Audion puheentunnistusmalli lyhyille leikkeille, usean puhujan keskusteluille ja pitkille tallenteille. Se vastaanottaa tallennettua ääntä ja palauttaa litteroinnin, johon voi sisältyä ajoitus ja jäsennellyt puheenvuorot. Sen erityispiirteitä ovat tekstiin merkityt puhujanvaihdokset sekä tunne- tai ääntelytapahtumien vihjeet, jotka säilyttävät tallenteen keskustelurakennetta enemmän kuin pelkkä sanajono.

Säilytä haastattelun, kokouksen tai podcastin koko keskustelu yhtenä tiedostona, jotta uudelleen ääneen tulevat puhujat voivat säilyttää yhtenäiset tunnisteet vastauksen sisällä. Hyödyllinen tarkastelutuotos on alkuperäiseen tallenteeseen yhdistetty litterointi, jonka puheenvuorot näytetään erikseen ja jossa aikaleima mahdollistaa lainauksen tarkistamisen. Yhteenveto tai toimenpideluettelo on myöhempi sovellusvaihe: pidä se erillään litteroinnista, jotta puhuttu lähde säilyy vertailtavana.

Tuottaja hyväksyy enintään 60 minuutin tallenteita ja kuvaa pitkien tiedostojen käsittelyn esimerkiksi MP3-, Opus- tai AAC-pakatulla äänellä. Tuettuja muotoja ovat WAV, MP3, AAC M4A- tai MP4-säiliössä, FLAC, Ogg Opus- tai Vorbis-koodekilla, WebM/Matroska ja MOV. Videotiedostosta käytetään ensimmäistä ääniraitaa. AIFF, CAF, WMA, AMR, AC-3 ja raakamuotoinen otsakkeeton PCM eivät ole tuettuja. Pyyntöön annetaan yksi äänitiedosto; tulos saapuu koko tallenteen litteroinnin jälkeen, ja pitkä tallenne voi kestää useita minuutteja. Noin 0,08 sekuntia lyhyemmät leikkeet hylätään.

Tuottajan vastaus sisältää koko tekstin, tallenteen keston sekunteina ja segments-taulukon. Pro merkitsee puhujanvaihdokset tekstiin esimerkiksi tunnisteilla <|speaker:0|> ja <|speaker:1|>; tunniste koskee seuraavaa tekstiä seuraavaan merkkiin asti. Nämä ovat yhden vastauksen sisäisiä tunnisteita, eivät vahvistettuja nimiä tai henkilöllisyyksiä, jotka voidaan yhdistää eri pyyntöjen välillä. Jos litteroinnissa ei ole puhujamerkintää, opas käsittelee sitä yhden puhujan tuloksena. Säilytä ennen ensimmäistä merkkiä mahdollisesti oleva teksti ensimmäisen puheenvuoron yhteydessä äläkä hylkää sitä.

Sanatason aikaleimat ovat valinnaisia. Tuottajan pyynnössä ignore_timestamps on oletuksena true; arvon false asettaminen pyytää segmenttejä, joissa on teksti sekä alku- ja loppuaika sekunteina. Segmentti on yleensä sana, tai kiinassa ja japanissa yksi tai muutama merkki. Segmenttiteksti jättää pois välimerkit, puhujamerkinnät ja tapahtumavihjeet, ja se voi normalisoida puhutun arvon eri tavalla kuin koko litterointi. Sanasegmentin alku- ja loppuaika voivat olla samat. Tyhjä segments-taulukko voi tarkoittaa, ettei aikaleimoja pyydetty, puhetta ei löytynyt tai ajoitus oli tilapäisesti poissa käytöstä. Käytä koko litterointia luettavaan sanamuotoon ja segmenttejä kohdistamiseen sen sijaan, että olettaisit molempien merkkijonojen vastaavan toisiaan merkki merkiltä.

diarize-asetuksen oletus on auto. Kun aikaleimoja pyydetään eikä diarize ole false, Pro palauttaa myös speaker_turns-tiedot. Jokainen puheenvuoro sisältää puhujatunnisteen, tekstin sekä alku- ja loppuajat, säilyttäen välimerkit ja mukana olevat vihjeet ilman tekstin sisäistä puhujamerkkiä. Jos sanakohtainen ajoitus ei ole saatavilla, puheenvuorojen ajat voivat olla likimääräisiä ja kattaa koko tallenteen; vierekkäiset puheenvuorot eivät välttämättä jatku suoraan toisistaan, ja ne voivat olla päällekkäisiä. diarize-asetuksen poistaminen käytöstä poistaa jäsennellyn puheenvuoroluettelon mutta jättää puhujamerkinnät koko tekstiin. Tunnettu puhujamäärä tai vähimmäis- ja enimmäismäärä voi ohjata pitkän tallenteen puhujanerottelua parhaan mahdollisen arvion perusteella. Tarkkaa määrää ei voi yhdistää määrärajoihin, eikä määrävihjeitä voi käyttää, kun diarize on poistettu käytöstä.

Tunne- ja ääntelytapahtumien vihjeet esiintyvät hakasulkeisiin merkittynä tekstinä, esimerkiksi [laughter], tunnistetun puheen rinnalla. Ne ovat äänestä tehtyjä päätelmiä, eivät sanoja, jotka käyttäjän pitäisi lisätä ennen litterointia. Pron tag_audio_events-asetus on oletuksena true; sen poistaminen käytöstä poistaa vihjeet litteroinnista ja puheenvuorotekstistä muuttamatta ajoitusta. Erillistä tunnekenttää tai kiinteää tunne-enumeraatiota ei ole. Säilytä merkinnöillä varustettu litterointi, kun huomautuksen äänensävy on tärkeä, ja käytä vihjeetöntä versiota, kun myöhempi tuotos tarvitsee vain puhutut sanat.

Kieli tunnistetaan automaattisesti. Valinnainen pienillä kirjaimilla annettu ISO 639-1 -kielivihje ei pakota kääntämistä eikä muuta Pron litterointia. Jos kieltä ei pystytä määrittämään, palautettu kielikoodi voi vastata vihjettä ilman sen tarkistamista ääntä vasten. Tuottaja ilmoittaa yhden kielen eikä luetteloa kaikista monikielisen tallenteen kielistä. Pidä alkuperäinen sanamuoto ja kielimetatiedot yhdessä hakukelpoista arkistoa valmisteltaessa, erityisesti kun keskustelun eri osat vaihtavat kieltä.

Ryhmittele tekstityksiä varten peräkkäiset ajoitetut sanat luettaviksi SRT- tai WebVTT-tekstitysjaksoiksi sen sijaan, että loisit yhden tekstityksen sanaa kohden. Erota jaksot taukojen kohdalla ja valitse niiden pituus ja näyttöaika soittimen ja yleisön mukaan. Puheenvuorojen rajat voivat pitää eri puhujat erillisissä tekstitysjaksoissa. Tarkista, onko ajoitustulos tyhjä, ja että kunkin tekstitysjakson loppuaika on alkuaikaa myöhempi. Tekstityksen muotoilu, anonyymien puhujatunnisteiden nimet ja myöhempi yhteenveto ovat litterointituloksesta rakennettavia sovellustuotoksia.

Päätä käytännön tallennetyönkulussa ennen litterointia, tarvitsetko tavallisen luettavan litteroinnin, merkinnöillä varustetut keskusteluvuorot vai ajoitetut tekstitykset. Säilytä äänitunniste tuloksen yhteydessä, pidä palautettu koko teksti tallessa, kun välimerkit ja vihjeet ovat tärkeitä, ja käytä jäsenneltyjä ajoituskenttiä navigointiin. Pron pitkien tallenteiden ja useiden puhujien ominaisuudet ovat erilliset yleisestä, lyhyille tallenteille tarkoitetusta Transcribe 1 -mallista; niiden rajoja ja säätöjä ei pidä käsitellä keskenään vaihdettavina.