ElevenLabs: Scribe v2

Az ElevenLabs Scribe v2 a rögzített hanganyagokhoz, átíráshoz és feliratozáshoz készült kötegelt beszédfelismerési modell. A Scribe v1-re épít, a hosszú felvételek, szünetek, hangszínváltozások és hosszabb csendek továbbfejlesztett kezelésével. Az eredmény időzítési adatokkal, valamint opcionális beszélő- és hangesemény-jelölésekkel ellátott írott beszéd. A Scribe v2 Realtime különálló élő átírási kiadás; ennek a modellnek a célja teljes felvételek feldolgozása.

A gyártó több mint 90 nyelven dokumentál felismerést és automatikus nyelvfelismerést, a nyelvek között váltó felvételeket is beleértve. Az ismert nyelv megadása segítheti a modellt a hanganyag értelmezésében. Készíts tiszta felvételt, őrizd meg az eredeti nyelvet és neveket, és kerüld az erős levágásos torzítást vagy a beszéd részleteit eltávolító szükségtelen feldolgozást. A gyakori dokumentált bemenetek közé tartozik a WAV, MP3, FLAC, M4A, AAC, OGG, Opus és WebM. Válassz az átírási megvalósítás által támogatott bemeneti formát, és őrizd meg a forrásfelvételt az ellenőrzéshez.

A szokásos válasz a felismert szöveget, a felismert nyelv adatait és időzített szavak sorozatát tartalmazza. A szórekordok kezdő és záró időpontot, beszélőazonosítókat és a felismerés logaritmikus valószínűségét is tartalmazhatják. Ezek feliratokhoz, kereshető interjúkhoz vagy a megfelelő hangrészlethez visszaugró szerkesztőhöz teszik használhatóvá az eredményt. Az időzített eredményt őrizd meg a forráshanggal együtt. Egy podcastnál például az átadandó eredmény lehet szerkeszthető átirat és a szavakhoz igazított adatrekord, amely segít megtalálni a javításokat a feliratok elrendezése előtt.

A beszélők elkülönítése jelöli, hogy több beszélőt tartalmazó hanganyagban ki mikor beszél; a gyártó legfeljebb 32 beszélőt dokumentál. Akkor kapcsold be, ha fontosak a megszólalások váltásai, és ha ismert, adj meg észszerű beszélőszámot. A felismert beszélőcímkét különböztesd meg egy ellenőrzött személy nevétől. Interjúnál vagy megbeszélésnél a felvétel alapján ellenőrizd a váltásokat, különösen akkor, ha a hangok átfedik egymást vagy hasonlóan szólnak. A címke segít rendszerezni az átiratot; önállóan nem igazolja a beszélő személyazonosságát.

Az a felvétel, amelynek minden csatornáján egyetlen beszélő szerepel, más szerkezetű, mint az egy csatornára kevert több hang. A gyártó felülete legfeljebb öt csatornát képes egymástól függetlenül feldolgozni, és külön átiratokat vagy időrendbe rendezett, egyesített átiratot adhat vissza csatornaindexekkel. Tartsd meg ezt a csatornaelrendezést, ha jelentősége van. Egy külön csatornás hívásfelvétel átírás előtti összevonása elveszítheti a beszélőinformációk hasznos forrását. A csatorna alapján megállapított beszélőt különítsd el a kevert hangból kikövetkeztetett beszélőcsoportoktól. Az egyesített csatornás válaszhoz időbélyegek szükségesek, és nem tartalmazhat entitásfelismerést vagy kitakarást.

A kulcskifejezések megadása a kontextus alapján irányítja a nevek, termékkifejezések és szakszókincs felismerését. A jelenlegi kötegelt dokumentáció legfeljebb 1000 kifejezést engedélyez; minden kifejezésnek 50 karakternél rövidebbnek és legfeljebb öt szavasnak kell lennie. Releváns írásmódokat adj meg, ne egy széles, a feladathoz nem kapcsolódó katalógust. Műszaki interjúnál add meg a várható termékneveket és rövidítéseket, majd az eredményben az időbélyegüknél ellenőrizd őket. A kulcskifejezések befolyásolják a felismerést; nem utasítanak egy kifejezés beszúrására, ha azt a felvétel nem támasztja alá.

A tisztázás előtt válaszd meg az átirat célját. A szó szerinti feljegyzés megtartja az elhangzott megfogalmazást, míg a dokumentált no-verbatim lehetőség eltávolítja a töltelékszavakat, az elakadó mondatkezdéseket és a beszéd folyamatosságát megtörő elemeket az olvashatóbb eredményért. A dinamikus hangjelölés azonosíthat nem beszédjellegű eseményeket, például nevetést vagy lépéseket. A letisztázott átirat hasznos lehet feliratozáshoz vagy olvasáshoz, de nem helyettesítheti észrevétlenül a nyers feljegyzést, ha az ismétlések, javítások vagy nem beszédjellegű hangok fontosak a feladatban.

A gyártó entitásfelismerést és kísérleti átiratszerkesztést is dokumentál. A gyártó felületén az átiratszerkesztés nem kombinálható entitásfelismeréssel, entitáskitakarással vagy többcsatornás átírással. A felismert entitások strukturált helyadatokat adnak az átirat kiválasztott információihoz. Az opcionális entitáskitakarás helyettesítő címkékkel fedi el a felismert szöveget; entitásfelismerést igényel, és bekapcsolt kitakarás esetén az entitáslista nem kerül visszaadásra. A kitakarás az átírás során történik, általános helyettesítő jelölővel, kategóriacímkével vagy számozott kategóriacímkével. Az automatikus kitakarás kihagyhat érzékeny tartalmat, ezért megosztás előtt vizsgáld át a kitakart átiratot. A természetes nyelvű szerkesztés szerkesztett szöveget ad vissza az eredeti eredmény mellett, miközben az eredeti időzítés és beszélőrekord elérhető marad. Ezeket az anyagokat tartsd külön: egy javított írásmód vagy átszerkesztett mondat újabb ellenőrzést igényelhet, mielőtt a hanghoz igazítod vagy későbbi adatkinyerésben használod. Ezek a funkciók az átiratot dolgozzák fel; nem igazolják, hogy minden fontos részlet felismerése helyes volt.

A kész átiratban ellenőrizd a neveket, számokat, tagadásokat és beszélőváltásokat a megfelelő hangrészlethez visszatérve. A halk szakaszokra, átfedésekre és nyelvváltásokra is figyelj, ne csak a gördülékeny szöveg alapján ítéld meg a minőséget. A bizonytalan megfogalmazást hagyd javításra, ahelyett, hogy egy nem hallható részletet hihető mondattal egészítenél ki. A hasznos eredmény ellenőrzött szöveges feljegyzés, a kívánt felhasználáshoz szükséges időzítési és beszélőinformációkkal; az átirat ezután külön összefoglalási, fordítási vagy elemzési lépés bemenete lehet.