OpenAI: GPT-4o Transcribe

GPT-4o Transcribe est le modèle de conversion de la parole en texte d’OpenAI basé sur GPT-4o. Son entrée est audio avec des indications textuelles facultatives, et sa sortie est le texte reconnu. Il est distinct de l’édition GPT-4o Mini Transcribe et de GPT-4o Transcribe Diarize, le modèle spécialisé d’identification des locuteurs. Utilisez ce profil pour préparer une transcription textuelle fidèle de la parole, en gardant l’enregistrement source disponible pour la revue et les travaux éditoriaux ultérieurs.

Entrée de fichier et préparation des contenus longs

Le guide de transcription d’OpenAI documente des téléversements jusqu’à 25 MB. La référence actuelle du point de terminaison accepte FLAC, MP3, MP4, MPEG, MPGA, M4A, OGG, WAV et WebM et recommande des métadonnées de fichier identifiant le format, notamment un nom de fichier doté d’une extension et un type de contenu approprié. Pour un enregistrement plus volumineux, la compression ou des parties ordonnées de 25 MB ou moins suivent les recommandations du fournisseur pour les entrées longues. Évitez un découpage au milieu d’une phrase et conservez la position de chaque partie dans l’enregistrement complet.

Pour un entretien, associez chaque fichier d’entrée à l’enregistrement et au passage qu’il couvre. Pour une présentation technique, préparez les noms de produits, les sigles et le vocabulaire du domaine pertinents comme contexte, puis vérifiez ces graphies au regard des paroles réellement prononcées. Pour une explication enregistrée avec des valeurs numériques, examinez la transcription avec la source avant d’en faire une procédure écrite. Le premier livrable souhaité est la parole reconnue sous forme de texte ; un rapport condensé ou un document traduit peut être préparé à partir de ce texte dans une étape distincte.

Prompts propres à l’enregistrement et choix de langue

Le guide du fournisseur inclut explicitement GPT-4o Transcribe parmi les modèles prenant en charge les prompts. Un prompt peut fournir les graphies correctes, le contexte d’un segment précédent et les préférences de ponctuation, de majuscules, de mots de remplissage ou de système d’écriture. La référence indique qu’il doit correspondre à la langue de l’enregistrement. Une description courte et pertinente du sujet et du vocabulaire donne à la transcription un contexte utile sans traiter des termes non prononcés comme une sortie obligatoire.

Ce profil prend en charge l’indication de langue language au singulier, documentée sous la forme ISO 639-1. Fournir la langue réelle d’entrée peut aider la reconnaissance. Les champs plus récents keywords et languages au pluriel de GPT Transcribe appartiennent à ce modèle nommé distinct et ne doivent pas être supposés disponibles pour GPT-4o Transcribe. Gardez le réglage de langue lié à la parole transcrite et préservez la formulation d’origine avant toute traduction ou reformulation stylistique ultérieure.

Format de résultat, probabilités et sorties spécialisées

La référence actuelle du point de terminaison documente JSON comme format de réponse pris en charge pour GPT-4o Transcribe. Le résultat contient le texte reconnu, et les logarithmes des probabilités des tokens peuvent être demandés en option avec ce format JSON. Les données de probabilité décrivent le choix de tokens du modèle. Elles peuvent aider à identifier les passages à examiner, mais une comparaison audio établit si la transcription reproduit un nom, un nombre ou une phrase difficile.

Le résultat JSON du profil standard ne fournit pas de formats natifs de sous-titres, de repères temporels détaillés mot à mot ni d’attributions de locuteurs. OpenAI documente d’autres choix de modèles et de formats lorsque ces sorties sont nécessaires ; GPT-4o Transcribe Diarize est l’édition distincte d’identification des locuteurs. Pour une tâche de sous-titrage, conservez une transcription vérifiée pour une étape de synchronisation adaptée. Pour une conversation, n’inventez pas de noms de locuteurs simplement parce qu’un paragraphe de transcription semble changer de sujet ou de voix.

Résultats diffusés à partir d’un fichier terminé

Le guide de conversion de la parole en texte d’OpenAI indique que les intégrations GPT-4o Transcribe existantes prennent en charge la diffusion de fichier en continu. L’application fournit d’abord l’enregistrement, puis reçoit le texte de transcription pendant le traitement de cet enregistrement et conserve le résultat terminé. Cela diffuse la transcription d’un enregistrement terminé plutôt que d’accepter l’audio du microphone au fil de son arrivée. La fiche exacte du modèle mentionne également les familles de points de terminaison de transcription et Realtime ; le comportement de session propre au modèle doit rester associé à ce profil plutôt que d’être emprunté à un modèle plus récent de diffusion continue.

Limites du modèle et vérification du livrable final

La spécification actuelle de GPT-4o Transcribe indique une fenêtre de contexte de 16 000 tokens, une sortie maximale de 2 000 tokens et une date limite des connaissances au 1er juin 2024. Ces limites de tokens ne sont pas une durée audio fixe et ne remplacent pas les règles de préparation de transcription de fichier. Pour un enregistrement prolongé, conservez l’ordre de la source et le contexte précédent pertinent, puis vérifiez que le texte terminé atteint la fin de chaque segment prévu.

Une transcription finale utile peut devenir un entretien consultable par recherche, une source de documentation technique ou le texte d’un processus ultérieur de sous-titrage. Examinez le vocabulaire incertain, les quantités, la ponctuation, les accents et les paroles qui se chevauchent au regard de l’enregistrement. Gardez le texte reconnu distinct des corrections ou résumés ultérieurs et conservez le lien à la source au moyen d’identifiants dans le processus environnant. Le modèle fournit une transcription textuelle ; une préparation soigneuse de l’entrée et une revue de la source déterminent si cette transcription convient à l’usage suivant.