Fish Audio: Transcribe 1 Pro

A Transcribe 1 Pro a Fish Audio beszédfelismerő modellje rövid részletekhez, több beszélős beszélgetésekhez és hosszú felvételekhez. Rögzített hangot fogad, és átiratot ad vissza opcionális időzítéssel és strukturált megszólalásokkal. Megkülönböztető jellemzői a szövegben megjelölt beszélőváltások, valamint az érzelmekre vagy hangadási eseményekre utaló jelzések, amelyek a puszta szósornál többet őriznek meg a felvétel beszélgetési szerkezetéből.

Interjúnál, megbeszélésnél vagy podcastnál a teljes beszélgetést tartsa egy fájlban, hogy a visszatérő beszélők következetes címkéket őrizhessenek meg a válaszon belül. Hasznos ellenőrzési anyag az eredeti felvételhez kapcsolt átirat, külön megjelenített megszólalásokkal és egy idézet ellenőrzésére használható időbélyeggel. Az összefoglaló vagy teendőlista későbbi alkalmazáslépés: ezt tartsa külön az átirattól, hogy az elhangzott forrás továbbra is rendelkezésre álljon összehasonlításra.

A gyártó legfeljebb 60 perces felvételeket fogad el, és a hosszú fájlok feldolgozását tömörített hanggal, például MP3, Opus vagy AAC formátummal írja le. A támogatott formátumok közé tartozik a WAV, MP3, az AAC M4A vagy MP4 tárolóban, a FLAC, az Ogg Opus vagy Vorbis kodekkel, a WebM/Matroska és a MOV. Videófájlnál az első hangsávot használja. Az AIFF, CAF, WMA, AMR, AC-3 és a nyers, fejléc nélküli PCM nem támogatott. Kérésenként egy hangfájl adható meg; az eredmény a teljes felvétel átírása után érkezik, és egy hosszú felvétel feldolgozása több percig is tarthat. A körülbelül 0,08 másodpercnél rövidebb részleteket elutasítja.

A gyártó válasza tartalmazza a teljes szöveget, a felvétel másodpercben megadott hosszát és egy segments tömböt. A Pro a beszélőváltásokat a szövegbe illesztett címkékkel jelzi, például <|speaker:0|> és <|speaker:1|>; egy címke az utána következő szövegre vonatkozik a következő jelölésig. Ezek egy válaszon belüli azonosítók, nem ellenőrzött nevek vagy személyazonosságok, amelyek külön kérések között összekapcsolhatók. Ha az átiratban nincs beszélőjelölés, az útmutató egybeszélős eredményként kezeli. Az első jelölés előtti esetleges szöveget tartsa az első megszólalásnál, ne dobja el.

A szószintű időbélyegek opcionálisak. A gyártó kérésében az ignore_timestamps alapértelmezése true; false értékre állítva szöveget és másodpercben megadott kezdő- és végidőt tartalmazó szegmenseket kér. Egy szegmens általában egy szó, kínaiul és japánul pedig egy vagy néhány karakter. A szegmensszöveg kihagyja az írásjeleket, beszélőjelöléseket és eseményjelzéseket, és egy kimondott értéket a teljes átirattól eltérően normalizálhat. Egy szószegmens kezdő- és végideje azonos is lehet. Az üres segments tömb jelentheti azt, hogy nem kértek időbélyegeket, nem talált beszédet, vagy az időzítés átmenetileg nem volt elérhető. Az olvasható szöveghez a teljes átiratot, az illesztéshez a szegmenseket használja, ahelyett, hogy a két karakterlánc karakterenkénti egyezését feltételezné.

A diarize beállítás alapértelmezése auto. Ha időbélyegeket kérnek, és a diarize nem false, a Pro speaker_turns adatokat is visszaad. Minden megszólalás tartalmazza a beszélőcímkét, a szöveget és a kezdő-/végidőt, megőrizve az írásjeleket és a megtartott jelzéseket, de a szövegbe illesztett beszélőjelölés nélkül. Ha a szószintű időzítés nem elérhető, a megszólalások ideje hozzávetőleges lehet, és lefedheti az egész felvételt; a szomszédos megszólalások nem feltétlenül kapcsolódnak közvetlenül egymáshoz, és átfedhetik egymást. A diarize kikapcsolása eltávolítja a strukturált megszólaláslistát, de a beszélőjelöléseket a teljes szövegben hagyja. Az ismert beszélőszám vagy a minimális és maximális szám a lehetőségekhez mérten segítheti a hosszabb felvételek beszélőinek elkülönítését. A pontos szám nem kombinálható a számhatárokkal, és a számra vonatkozó támpontok nem használhatók kikapcsolt diarize mellett.

Az érzelmi és hangadási eseményjelzések szögletes zárójelben álló szövegként jelennek meg, például [laughter], a felismert beszéd mellett. Ezek a hangból levont következtetések, nem olyan szavak, amelyeket a felhasználónak átírás előtt hozzá kellene adnia. A Pro tag_audio_events beállításának alapértelmezése true; kikapcsolva eltávolítja ezeket a jelzéseket az átiratból és a megszólalások szövegéből, az időzítés módosítása nélkül. Nincs külön érzelemmező vagy rögzített érzelem-felsorolás. Őrizze meg a jelzésekkel ellátott átiratot, amikor számít egy megjegyzés hangzása, és használjon jelzésmentes változatot, amikor a későbbi eredményhez csak az elhangzott szavak kellenek.

A nyelvet automatikusan felismeri. Egy opcionális, kisbetűs ISO 639-1 nyelvi támpont nem kényszerít ki fordítást, és nem változtatja meg a Pro átiratát. Ha a nyelv nem állapítható meg, a visszaadott nyelvkód tükrözheti a támpontot anélkül, hogy azt a hanggal összevetve ellenőrizné. A gyártó egyetlen nyelvet jelent, nem egy többnyelvű felvétel összes nyelvének jegyzékét. Kereshető archívum előkészítésekor az eredeti megfogalmazást és a nyelvi metaadatokat tartsa együtt, különösen amikor a beszélgetés eltérő részei nyelvet váltanak.

Feliratokhoz az egymást követő, időzített szavakat csoportosítsa olvasható SRT- vagy WebVTT-feliratblokkokba, ahelyett, hogy szavanként egy feliratot készítene. A blokkokat szüneteknél válassza el, hosszukat és megjelenítési idejüket pedig igazítsa a lejátszóhoz és a közönséghez. A megszólaláshatárok külön blokkokban tarthatják az eltérő beszélőket. Ellenőrizze, üres-e az időzítési eredmény, és hogy minden blokk végideje későbbi-e a kezdőidejénél. A feliratformázás, az anonim beszélőcímkékhez rendelt nevek és bármely későbbi összefoglaló az átírás eredményéből épülő alkalmazási eredmények.

Gyakorlati felvételi munkafolyamatnál átírás előtt döntse el, hogy egyszerű, olvasható átiratra, jelzésekkel ellátott beszélgetési megszólalásokra vagy időzített feliratokra van-e szüksége. A hangazonosítót tartsa az eredmény mellett, őrizze meg a visszaadott teljes szöveget, amikor fontosak az írásjelek és jelzések, és a navigációhoz használja a strukturált időzítési mezőket. A Pro hosszú felvételekre és több beszélőre vonatkozó képességei különböznek az általános, rövid felvételekhez való Transcribe 1 modelltől; korlátaik és vezérlőik nem tekinthetők felcserélhetőnek.