Fish Audio: Transcribe 1

Transcribe 1 est le modèle général de transcription de Fish Audio pour les enregistrements courts. Il reçoit un fichier audio et renvoie les mots reconnus sous forme de texte, avec la durée de l’enregistrement, des segments horodatés facultatifs et des informations sur la langue lorsqu’elles sont connues. Ce modèle convient à une courte note vocale, une instruction orale, un extrait d’enregistrement ou un clip audio nécessitant une représentation textuelle lisible.

Un exemple de flux pour les notes vocales conserve l’enregistrement avec sa transcription intégrale et un identifiant du clip d’origine. Une étape applicative ultérieure peut rechercher dans ce texte, organiser la note ou élaborer 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’entretien, enregistrez la position du clip dans l’audio complet afin qu’une citation puisse être vérifiée au bon endroit.

Le producteur accepte WAV, MP3, AAC, y compris M4A/MP4, FLAC et Ogg contenant Opus ou Vorbis. Pour ce modèle, les enregistrements de navigateur en WebM doivent être convertis en Ogg/Opus, MP3 ou WAV ; Pro documente une prise en charge native de conteneurs supplémentaires. Fournissez un fichier audio par requête. La capacité documentée du modèle de base atteint 50 MiB par requête, les fichiers MP3 et Opus devant rester inférieurs à 25 MiB. La taille du fichier et la durée de l’enregistrement sont deux considérations différentes : un fichier compressé peut respecter la limite d’envoi tout en demandant un traitement trop long.

Transcribe 1 est conçu pour les enregistrements courts. Le producteur recommande Pro pour un audio de plus de quelques minutes ; une longue requête au modèle de base peut échouer si elle dépasse la limite de temps de traitement. Lorsque vous préparez une source plus longue pour la transcrire en clips courts, conservez le décalage de début de chaque clip et confirmez que la transcription renvoyée couvre le clip entier avant de combiner les résultats. Ajoutez le décalage d’origine aux temps locaux des segments pour maintenir la navigation liée à l’enregistrement complet. Les recommandations du modèle de base ne doivent pas être interprétées comme la capacité distincte de 60 minutes de Pro.

La réponse du producteur comprend le texte, la durée et les segments. La durée est exprimée en secondes, et la transcription intégrale lisible doit rester la formulation principale du clip. L’horodatage est facultatif : ignore_timestamps vaut true par défaut dans l’API du producteur, tandis que false demande des segments au niveau des mots avec texte, temps de début et temps de fin en secondes. Demander l’alignement augmente le temps de traitement. Un tableau segments vide peut correspondre à un horodatage ignoré, à l’absence de parole ou à un alignement temporairement indisponible ; il ne doit donc pas être automatiquement interprété 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 ; ce n’est pas une copie caractère par caractère de la réponse lisible. Un segment peut avoir le même temps de début et de fin. Utilisez les segments pour trouver une position dans l’enregistrement ou préparer un affichage synchronisé, et le texte intégral lorsque la formulation et la ponctuation importent. Conservez ces deux représentations distinctes dans le livrable obtenu.

La langue est détectée automatiquement, qu’un indice de langue facultatif soit fourni ou non. Le producteur documente des codes ISO 639-1 en minuscules pour ces indices et renvoie, lorsqu’ils sont connus, un code de langue pour la logique applicative et un nom de langue pour l’affichage. La réponse indique une seule langue plutôt que toutes les langues d’un enregistrement qui passe de l’une à l’autre. Conservez la formulation source et les métadonnées linguistiques disponibles avec le résultat, sans traiter la demande de transcription comme une opération de traduction.

Pour un flux 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 d’origine, dont les limites de sous-titres respectent les pauses et dont la quantité de texte à l’écran reste raisonnable. Vérifiez l’absence d’horodatages manquants et assurez-vous que la fin de chaque sous-titre suit son début. Le regroupement des sous-titres et le formatage du fichier sont des étapes applicatives construites à partir de 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 de nombre de locuteurs de Pro sont des fonctions distinctes ; ils n’appartiennent pas au contrat de réponse documenté de ce modèle de base. Choisissez le livrable requis avant le traitement : du texte lisible simple pour une note, ou du texte accompagné d’un alignement pour la navigation en lecture et les sous-titres. Préserver l’identifiant du clip, la transcription et tout horodatage disponible rend ce résultat utile à l’étape applicative suivante.