Deepgram: Nova-3

Nova-3 est le modèle généraliste de reconnaissance vocale de Deepgram pour convertir l’audio en texte. Le producteur le recommande pour les réunions, les sous-titres d’événements, les enregistrements à plusieurs locuteurs et les conditions difficiles, telles que le bruit ou les microphones éloignés, en transcription d’enregistrements ou en streaming. Son résultat utile est la parole reconnue avec des informations d’horodatage et de confiance qui restent liées à l’audio source.

Choisir le processus linguistique

La langue par défaut documentée est l’anglais. Une requête monolingue sélectionne la langue parlée ou la variante locale prise en charge. Le tableau actuel du modèle général comprend des variantes régionales de l’anglais, l’espagnol, le français, l’allemand, le russe, le portugais, le japonais, l’italien, le néerlandais, l’arabe, des écritures chinoises et de nombreuses autres langues, dont le kazakh. Choisissez parmi les codes pris en charge par le producteur, plutôt que de supposer que tout nom de locale est accepté.

Le réglage multilingue est un processus distinct d’alternance linguistique. Le tableau actuel de Nova-3 y répertorie dix langues : l’anglais, l’espagnol, le français, l’allemand, l’hindi, le russe, le portugais, le japonais, l’italien et le néerlandais. Cet ensemble n’est pas identique à la liste monolingue plus vaste. Pour un enregistrement alternant entre des langues prises en charge, préparez le mode multilingue plutôt que de forcer la conversation entière dans un réglage monolingue sans rapport. Préservez ce qui a été dit avant de préparer toute version traduite ou résumée.

Audio enregistré et préparation de la transcription

Le processus de fichiers de Deepgram accepte des octets audio téléversés ou une référence à un fichier audio. Sauvegardez la transcription renvoyée à la fin de la requête ; le producteur ne stocke pas les transcriptions pour une récupération ultérieure. Les formats et encodages d’entrée courants documentés comprennent MP3, MP4, MP2, AAC, WAV, FLAC, PCM, M4A, Ogg, Opus et WebM. Préservez le format réel et les informations de canaux avec l’enregistrement. Donnez un identifiant stable à l’enregistrement et gardez le résultat associé à la bonne source et à ses informations de canaux. Pour une réunion, vérifiez les noms des participants et les termes techniques en écoutant le son d’origine. Pour un cours ou un événement, conservez la séquence de l’audio afin qu’un sous-titre ou un résultat de recherche ultérieurs puissent retrouver le passage pertinent.

Le guide du producteur pour les enregistrements indique une taille de fichier maximale de 2 GB et recommande d’extraire le flux audio d’un gros fichier vidéo. Il documente aussi un délai maximal de traitement de dix minutes pour les requêtes Nova. Ce délai concerne la durée de traitement de la requête, et non une durée maximale d’enregistrement de dix minutes. Un résultat utile comprend la fin de l’enregistrement visé ; une transcription conservée partiellement ne doit pas être traitée comme le texte complet.

Lire les mots, les temps et la confiance

La réponse JSON documentée comprend des alternatives de transcription et les mots reconnus, avec les temps de début et de fin de chaque mot en secondes depuis le début de l’audio et une valeur de confiance. Pour une transcription à plusieurs locuteurs, la diarisation facultative du producteur attribue un libellé de locuteur à chaque mot. La diarisation d’enregistrements renvoie aussi la confiance relative au locuteur ; la diarisation en streaming renvoie le libellé de locuteur. Vérifiez ces libellés au regard des voix de l’enregistrement. Une confiance globale de transcription est aussi rapportée sur une échelle de 0 à 1. Lorsque la mise en forme intelligente est demandée, le résultat peut comprendre la ponctuation et les majuscules sous forme de mots ponctués, ainsi que des informations de paragraphes lisibles.

Utilisez ces champs selon leur sens. Un temps de mot situe la parole reconnue, tandis que la confiance est l’indication de fiabilité du modèle, plutôt qu’une preuve qu’un nom ou une quantité difficiles ont été entendus correctement. Pour la préparation de sous-titres, conservez l’horodatage avec les formulations vérifiées et examinez les limites au regard du son. Pour une version éditoriale lisible, gardez les modifications distinctes de la transcription reconnue, plutôt que de remplacer silencieusement les mots incertains par un récit plausible.

Reconnaissance en streaming et segments définitifs

Le processus de streaming de Nova renvoie le texte à mesure que l’audio arrive, avec des résultats provisoires et définitifs. L’indicateur is_final distingue le texte susceptible d’être révisé d’un segment finalisé. L’indicateur speech_final concerne la détection de fin d’un segment parlé. Gardez ces signaux distincts du simple fait de recevoir une transcription non vide et conservez les segments définitifs dans leur ordre audio lorsque vous préparez l’enregistrement complet.

Nova-3 est un modèle généraliste de reconnaissance vocale automatique, plutôt que le modèle conversationnel Flux distinct doté d’une détection native des tours. Nova marque le caractère définitif de la transcription et les fins de parole ; Flux fournit ses propres événements d’état des tours conversationnels. Choisissez le processus de transcription selon que l’audio est déjà enregistré ou arrive en direct, tout en utilisant la sortie définitive réelle comme artefact à conserver.

Termes clés pour le vocabulaire important

Le Keyterm Prompting documenté de Nova-3 prend en charge la transcription monolingue et multilingue et adapte la reconnaissance aux termes importants sans réentraîner le modèle. Fournissez des noms, des termes produit, des acronymes ou des expressions de plusieurs mots pertinents et susceptibles d’être réellement prononcés. Le guide limite l’entrée cumulée des termes clés à 500 tokens et recommande de se concentrer sur le vocabulaire le plus important, plutôt que d’ajouter indistinctement des mots courants.

La syntaxe du producteur utilise des termes simples, avec une entrée keyterm distincte pour chaque terme. Une expression de plusieurs mots reste une seule expression. Les anciennes pondérations ou les intensificateurs de mots-clés, ainsi que la réunion de termes séparés par des virgules, des points-virgules ou des sauts de ligne, ne sont pas équivalents : l’interface peut les accepter comme une seule valeur littérale sans apporter le renforcement attendu. Utilisez les majuscules correctes pour les noms, puis vérifiez la transcription, car le contexte audio et la mise en forme intelligente peuvent encore modifier la forme écrite définitive.

Limites entre modèles de la famille et résultats utiles

Le profil général Nova-3 est distinct des options nommées séparément Medical et Pharma. Le guidage lexical ne le transforme pas en une autre édition, et la couverture linguistique ou le comportement des modèles spécialisés ne doivent pas être supposés pour le modèle général. Les fonctions supplémentaires de traitement de transcription sont des choix dans le processus vocal du producteur, plutôt qu’une preuve que la reconnaissance a produit un résumé, une traduction ou un autre artefact qui n’a jamais été demandé.

Un livrable utile de Nova-3 peut être une transcription de réunion interrogeable, des formulations prêtes pour les sous-titres avec les horodatages des mots ou un enregistrement d’une conversation multilingue. Conservez l’identifiant audio, le processus linguistique choisi, le texte définitif et tout champ utile de confiance ou d’horodatage. Vérifiez les noms peu clairs, les nombres, les voix qui se chevauchent et les changements de langue au regard de l’enregistrement d’origine et gardez la parole réellement reconnue disponible pour l’étape suivante de traitement du contenu.