Fish Audio: Transcribe 1

Transcribe 1 est le modèle général de reconnaissance vocale de Fish Audio pour les enregistrements courts. Il accepte un fichier audio et renvoie les mots reconnus sous forme de texte, avec la durée de l’enregistrement, des segments horodatés facultatifs et les renseignements linguistiques lorsqu’ils sont connus. Ce modèle est utile pour une courte note vocale, une consigne parlée, un extrait d’enregistrement ou un clip audio qui nécessite une représentation textuelle lisible.

Un exemple de processus pour les notes vocales conserve l’enregistrement avec sa transcription complète et un identifiant du clip original. Une étape ultérieure de l’application peut rechercher dans ce texte, organiser la note ou produire un résumé tout en préservant la source parlée. Pour une commande, la transcription fournit les mots reconnus à l’application; toute action relève d’une étape distincte d’interprétation et d’exécution. Pour un extrait d’entrevue, notez la position du clip dans l’enregistrement complet afin de vérifier une citation au bon endroit.

Le fabricant accepte WAV, MP3, AAC, y compris M4A/MP4, FLAC et Ogg contenant Opus ou Vorbis. Pour ce modèle, les enregistrements WebM provenant d’un navigateur doivent être convertis en Ogg/Opus, MP3 ou WAV; la documentation de Pro indique la prise en charge native de conteneurs supplémentaires. Fournissez un seul fichier audio par requête. La limite de requête documentée du modèle de base est de 50 Mio, avec des fichiers MP3 et Opus de moins de 25 Mio. La taille du fichier et la longueur de l’enregistrement sont deux considérations distinctes : un fichier compressé peut respecter la limite de téléversement tout en exigeant un traitement trop long.

Transcribe 1 est conçu pour les enregistrements courts. Le fabricant recommande Pro pour les fichiers audio de plus de quelques minutes; une longue requête au modèle de base peut échouer si elle dépasse la limite de temps de traitement. Si vous découpez une source plus longue pour transcrire de courts clips, conservez le décalage initial de chacun et confirmez que la transcription renvoyée couvre tout le clip avant de combiner les résultats. Ajoutez le décalage d’origine aux temps locaux des segments pour maintenir le lien de navigation avec l’enregistrement complet. Les indications du modèle de base ne doivent pas être assimilées à la capacité distincte de 60 minutes de Pro.

La réponse du fabricant comprend le texte, la durée et les segments. La durée est exprimée en secondes, et la transcription intégrale lisible doit être conservée comme formulation principale du clip. L’horodatage est facultatif : ignore_timestamps vaut true par défaut dans l’API du fabricant, tandis que false demande des segments au niveau des mots avec texte et temps de début et de fin en secondes. Demander l’alignement allonge le traitement. Un tableau segments vide peut refléter un horodatage omis, l’absence de paroles ou un alignement temporairement indisponible; il ne doit donc pas être interprété automatiquement comme une transcription intégrale vide.

Les segments correspondent généralement à des mots, ou à un ou quelques caractères en chinois et en japonais. Leur texte omet la ponctuation et peut normaliser une valeur différemment de la transcription intégrale; il ne reproduit pas caractère par caractère la réponse lisible. Un segment peut avoir le même temps de début et de fin. Utilisez les segments pour trouver un endroit dans l’enregistrement ou préparer un affichage synchronisé, et le texte intégral lorsque les mots et la ponctuation comptent. Gardez ces deux représentations distinctes dans le livrable.

La langue est détectée automatiquement, qu’un indice linguistique facultatif soit fourni ou non. Le fabricant documente des codes ISO 639-1 en minuscules pour les indices et renvoie un code de langue pour la logique de l’application ainsi qu’un nom de langue pour l’affichage lorsqu’il est connu. La réponse indique une seule langue plutôt que toutes celles d’un enregistrement qui passe d’une langue à l’autre. Conservez les mots de la source et les métadonnées linguistiques disponibles avec le résultat plutôt que de traiter la requête de transcription comme une opération de traduction.

Pour un processus de sous-titrage, regroupez les segments horodatés consécutifs en sous-titres lisibles plutôt que d’afficher un mot à la fois. Un livrable utile est un fichier SRT ou WebVTT lié au clip original, dont les limites correspondent aux pauses et dont la quantité de texte à l’écran reste raisonnable. Vérifiez les temps manquants et assurez-vous que la fin de chaque sous-titre suit son début. Le regroupement des sous-titres et la mise en forme du fichier sont des étapes applicatives fondées sur l’alignement renvoyé; leurs choix d’affichage doivent convenir au lecteur et au public.

Les commandes documentées de Transcribe 1 sont l’audio, un indice de langue et le choix de l’horodatage. Les marqueurs de locuteur, les tours de parole structurés, les commandes d’événements émotionnels et les indices sur le nombre de locuteurs de Pro sont des fonctions distinctes; ils ne font pas partie du contrat de réponse documenté de ce modèle de base. Choisissez le livrable requis avant le traitement : texte lisible seul pour une note, ou texte avec alignement pour la navigation dans la lecture et les sous-titres. La conservation de l’identifiant du clip, de la transcription et de tout horodatage disponible rend ce résultat utile à l’étape suivante de l’application.