gpt-4o-transcribe-diarize

GPT-4o Transcribe Diarize est le modèle de reconnaissance automatique de la parole d’OpenAI avec diarisation intégrée des locuteurs. Il associe les segments audio transcrits aux différents locuteurs d’une conversation. Le résultat utile est une transcription organisée par locuteur et par temps, plutôt qu’un simple bloc continu de mots. Il est destiné à la parole enregistrée nécessitant des libellés de locuteurs, comme une réunion, un entretien ou une discussion à plusieurs personnes.

Préparer l’enregistrement terminé

Fournissez l’enregistrement à transcrire. Le processus de fichiers documenté accepte MP3, MP4, MPEG, MPGA, M4A, WAV et WebM, avec une limite de taille de fichier de 25 MB. Gardez l’enregistrement source disponible afin de pouvoir vérifier un tour de parole, un nom ou une phrase peu claire au regard de l’audio réel.

Pour une réunion, conservez la séquence de la conversation plutôt que de supprimer les courtes pauses qui aident à distinguer les tours de parole. Pour un entretien, gardez ensemble la question et la réponse lorsque la tâche nécessite leur relation. La préparation audio doit rendre la parole audible sans supprimer les informations importantes pour le résultat identifié par locuteur.

Il s’agit d’un processus de transcription de fichier. Le traitement d’un enregistrement terminé et la reconnaissance d’un flux audio encore en cours d’arrivée sont des tâches distinctes ; l’identification des locuteurs du modèle n’est pas prise en charge dans les sessions de transcription Realtime.

Demander une transcription identifiée par locuteur

Le format de résultat diarized_json renvoie des segments avec des libellés d’identité des locuteurs et des repères de début et de fin. Chaque segment contient également son texte transcrit. Conservez ces champs ensemble afin de relier les mots à la partie pertinente de l’enregistrement.

Pour une transcription de réunion utile, conservez la séquence des segments et affichez les paroles de chaque locuteur avec leurs repères temporels. Une tâche ultérieure peut utiliser cette transcription pour préparer un compte rendu ou des actions à mener, mais la diarisation elle-même ne détermine pas les décisions de la réunion et ne génère pas de résumé vérifié.

Les libellés de locuteurs décrivent le regroupement de la parole par le modèle. Examinez les transitions où les personnes s’interrompent, parlent brièvement ou parlent en même temps. Un résultat bien structuré facilite la navigation et la revue, tandis qu’une attribution particulière peut toujours nécessiter d’écouter l’audio d’origine.

Références de locuteurs connus

Le processus documenté peut accepter jusqu’à quatre références de locuteurs nommés. Chaque référence est un court clip audio de 2–10 secondes dans un format pris en charge pour le téléversement principal. Les noms et les références sont fournis ensemble afin de pouvoir associer les segments aux locuteurs connus.

Préparez une référence contenant clairement le locuteur visé et gardez son nom cohérent avec les libellés souhaités de la transcription. Pour un entretien, une référence de la personne qui le mène peut aider à organiser le résultat identifié par locuteur sans transformer chaque participant en un libellé anonyme. La référence constitue une entrée pour l’attribution ; ce n’est pas une opération générale de clonage de voix ni une preuve de l’identité d’une personne.

Ne confondez pas le fait de nommer un locuteur avec la modification des mots prononcés. La sortie utile doit toujours préserver le contenu de l’enregistrement et l’ordre réel des tours de parole.

Découpage et limites du modèle

Pour un audio de plus de 30 secondes, le fournisseur exige une stratégie de découpage, soit un découpage automatique, soit une configuration de détection d’activité vocale. Cette exigence n’est pas une durée maximale d’enregistrement. Elle décrit comment une entrée plus longue est divisée pour le traitement.

La fiche du modèle indique une fenêtre de contexte de 16 000 tokens et un maximum de 2 000 tokens de sortie. Il s’agit de limites de tokens du modèle, distinctes de la limite de téléversement de 25 MB du processus de fichiers et du seuil de découpage. Elles ne doivent pas être converties en un nombre de minutes inventé applicable à tous les enregistrements.

Conservez les repères temporels et l’identité des segments lorsque vous assemblez ou examinez une transcription plus longue. Si un enregistrement a été découpé avant l’envoi, conservez la relation de chaque partie avec l’audio d’origine afin de ne pas confondre un repère temporel local avec sa position dans la conversation complète.

Diffuser les segments finalisés

Le processus de transcription de fichier peut diffuser le texte pendant le traitement de l’enregistrement. Dans une diffusion avec identification des locuteurs, les segments terminés produisent des événements de segment. Les fragments de texte comprennent un identifiant de segment, mais ne contiennent pas d’attributions partielles de locuteurs ; un locuteur est attribué lorsque le segment est finalisé.

Cette distinction importe pour la présentation. Affichez le texte provisoire et un tour de parole finalisé comme des états distincts plutôt que d’attacher un libellé de locuteur incertain avant que le modèle ait terminé le segment. Préservez le résultat terminé lorsque la transcription doit servir à des modifications ou à une analyse ultérieures.

Limites du modèle et de la sortie

Ce profil est le modèle de diarisation, distinct de la transcription GPT-4o ordinaire, de la transcription Mini, de la synthèse vocale et des modèles de conversation en direct. Il ne prend pas en charge les prompts de transcription ; gardez toute revue ou correction terminologique comme une étape distincte vérifiée au regard de l’audio d’origine. Son interface fournisseur est la transcription de parole enregistrée en texte. Il ne génère pas de réponse audio et ne traduit pas un enregistrement au moyen du processus distinct de traduction audio.

Utilisez-le pour les transcriptions nécessitant à la fois le contenu et la structure des locuteurs. Vérifiez les noms, les termes techniques, les nombres, les limites des tours de parole et les attributions au regard de l’enregistrement. Conservez l’audio, le format de résultat choisi, les références et la transcription terminée afin qu’une correction puisse porter sur une phrase ou une attribution de locuteur concrète.