Google: Gemini 3.5 Transcribe

A Google Gemini 3.5 Transcribe szinkron modell teljes, előre felvett hangfájlok írott szöveggé alakításához. A Gemini hangmegértési képességeire épül, de átírásspecifikus bemeneti és kimeneti követelményekkel rendelkezik. A külön Gemini 3.5 Transcribe Live kiadás hangfolyamot fogad és fokozatos eredményeket ad vissza. Ez a felvett hanghoz készült modell teljes átiratot készít, a kiválasztott konfigurációtól függően választható szóidőzítéssel vagy beszélő-hozzárendeléssel.

Készítsen elő tiszta felvételt, amelyben a beszéd nem torzul erős túlvezérlés miatt, és ahol lehetséges, a hangok érdemben elkülönülnek. A fejlesztő szinkron példái WAV-hangot adnak át fájlbájtokként vagy tárolt hanganyagként, megadott MIME-típussal. Tartsa elérhetően az eredeti hangot az ellenőrzéshez. A kívánt eredmény lehet ellenőrzött interjúátirat, feliratillesztési rekord vagy olvasható diktált szöveg; a szövegezést módosító vagy metaadatokat hozzáadó funkciók kombinálása előtt döntse el, milyen eredményre van szükség.

A Google több mint 85 nyelven dokumentál automatikus nyelvfelismerést, beleértve a munkameneten belüli nyelvkeverést. A nyelvi támogatás szintje eltérő, és az ismert nyelvre adott jelzés javíthatja a felismerést. Az egyéni szókészlet olyan különleges neveket, márkákat vagy szakkifejezéseket ad meg, amelyek várhatóan előfordulnak. A fejlesztő legfeljebb 1 000 kifejezést engedélyez, és megjegyzi, hogy rendszerint a legfeljebb körülbelül 100 elemes, célzott listák működnek a legjobban. A szokatlan kifejezések legyenek relevánsak a felvételhez, és ellenőrizze őket a hang alapján, ne feltételezze, hogy a szókészleti jelzés bizonyítja a kifejezés elhangzását.

A VERBATIM az alapértelmezett mód. Megőrzi a töltelékszavakat, ismétléseket, félbehagyott kezdéseket és kimondott javításokat, így a szöveg az elhangzott megfogalmazás feljegyzése marad. Ezt a módot használja, ha a feladat szószintű időbélyegeket vagy beszélők szerinti szegmentálást igényel. Interjúnál például őrizze meg az eredeti megszólalásokat és időzítéseket, majd a releváns részlet meghallgatásával javítsa a fontos neveket és mennyiségeket. Egy későbbi összefoglaló vagy szerkesztett cikk használhatja ezt az ellenőrzött rekordot anélkül, hogy észrevétlenül lecserélné, amit a beszélő mondott.

A SMART mód olvasható diktáláshoz készült. Eltávolítja a beszédakadásokat, feloldja a menet közbeni önjavításokat, és bekezdésekbe vagy listákba rendezi az elhangzott anyagot, ahol indokolt, normalizált dátumokkal és számokkal. Egy diktált feladatlista így olvasható listává válhat a kimondott átvezetéseket soroló szöveg helyett. Ez a feldolgozás megváltoztatja az átirat formáját. A Google kifejezetten kimondja, hogy a SMART nem kompatibilis a szóidőbélyegekkel és a beszélők szerinti szegmentálással, ezért akkor válassza, ha olvasható szöveg a szükséges eredmény, ne próbálja időzített, beszélőkhöz rendelt rekordként használni.

Ha engedélyezett a szóidőzítés, a válasz a felismert szavakat kezdő és záró időeltolással tartalmazza. Ezek segítenek megtalálni a javítandó részt a felvételben vagy feliratokat előkészíteni. A fejlesztő pontossági kompromisszumot jelez a szószintű időbélyegek engedélyezésénél. Ellenőrizze a szöveget és az illesztést is, különösen gyors beszéd, átfedés vagy szokatlan terminológia környékén. Hasznos időzített átirat az, amely együtt őrzi meg a szavak rekordját és a forráshangot, nem tekint egy gördülékeny mondatot a helyes illesztés bizonyítékának.

A beszélők szerinti szegmentálás azonosítja és címkézi a felvett hangban szereplő hangokat; a dokumentáció legfeljebb nyolc beszélőt ad meg. Három vagy több beszélő hozzárendelését a fejlesztő kísérletinek írja le. A címkéket kikövetkeztetett beszélőcsoportokként kezelje, és a váltásokat ellenőrizze a felvétel alapján. Egy beszélőcímke nem független bizonyíték egy személy kilétére vagy szerepére. Ha a feladathoz nevek kellenek, a címkéket az ismert felvételi információhoz rendelje, ne találjon ki személyazonosságot a felismert szavakból.

A fejlesztő funkciótáblázata 15 perces időablakot ad meg felvett hanghoz; a fájlfeldolgozás erre az időtartamra korlátozódik, ha olyan funkciók engedélyezettek, mint az időbélyegek vagy a beszélők szerinti szegmentálás. A hosszabb forrásanyagot megfelelő szegmensekként készítse elő, megőrizve sorrendjüket és eredeti időbeli helyüket. A modell átirata, időzített szavai és beszélőcímkés részei eltérő eredményreprezentációk; a feladathoz szükségeset őrizze meg. Ezeket a hangspecifikus korlátokat nem szabad egy általános Gemini multimodális modell kontextus- vagy időtartamértékeivel helyettesíteni. A Google a SMART-formázást, a szószintű időbélyegeket és a beszélők szerinti szegmentálást kísérleti funkcióként sorolja fel.

A kimeneti szerződés átírásspecifikus. A SMART-formázás olvasható szöveget készít, de nem ad hozzá általános JSON-sémájú válaszszerződést, eszközhívási képességet vagy utasításkövető asszisztens-munkafolyamatot. A végső eredménynél ellenőrizze a fontos megfogalmazásokat, számokat és tagadásokat a hang alapján, őrizzen meg minden bizonytalan szegmenst javításhoz, és a kiválasztott módot is tartsa meg az eredménnyel együtt. Így világos marad, hogy az eredmény az eredeti kimondott megfogalmazást rögzíti-e, vagy abból származtatott, szerkesztett olvasási változatot mutat be.