gpt-4o-transcribe-diarize

A GPT-4o Transcribe Diarize az OpenAI automatikus beszédfelismerő modellje beépített beszélőelkülönítéssel. Az átírt hangszegmenseket a beszélgetés különböző beszélőihez kapcsolja. Hasznos eredménye beszélő és idő szerint rendezett átirat, nem pusztán egy összefüggő szótömb. Olyan felvett beszédhez készült, amelyhez beszélőcímkék szükségesek, például megbeszéléshez, interjúhoz vagy többszereplős beszélgetéshez.

Készítse elő a befejezett felvételt

Adja meg az átírandó felvételt. A dokumentált fájlmunkafolyamat MP3, MP4, MPEG, MPGA, M4A, WAV és WebM formátumot fogad, 25 MB-os fájlméretkorláttal. A forrásfelvétel maradjon elérhető, hogy egy beszélőváltás, név vagy nem egyértelmű kifejezés a tényleges hang alapján ellenőrizhető legyen.

Megbeszélésnél őrizze meg a beszélgetés sorrendjét, ahelyett hogy kivágná a megszólalások megkülönböztetését segítő rövid szüneteket. Interjúnál tartsa együtt a kérdést és a választ, ha a feladat szempontjából fontos az összefüggésük. A hang előkészítése tegye hallhatóvá a beszédet a beszélőcímkékkel ellátott eredmény szempontjából fontos információ eltávolítása nélkül.

Ez fájlátírási munkafolyamat. Egy befejezett felvétel feldolgozása és a még folyamatosan érkező hangfolyam felismerése különböző feladat; a modell beszélőcímkézése nem támogatott Realtime átírási munkamenetekben.

Kérjen beszélőcímkékkel ellátott átiratot

A diarized_json eredményformátum beszélőazonosító címkéket, valamint kezdő- és záróidőt tartalmazó szegmenseket ad vissza. Minden szegmens az átírt szövegét is tartalmazza. Ezeket a mezőket tartsa együtt, hogy a szavak a felvétel megfelelő részéhez kapcsolhatók legyenek.

Hasznos megbeszélés-átiratnál őrizze meg a szegmensek sorrendjét, és minden beszélő szavait az időjelölésekkel együtt jelenítse meg. Egy későbbi feladat az átiratból jegyzőkönyvet vagy teendőket készíthet, de a beszélők elkülönítése önmagában nem állapítja meg, miben állapodtak meg a megbeszélésen, és nem hoz létre ellenőrzött összefoglalót.

A beszélőcímkék a modell által végzett beszédcsoportosítást írják le. Vizsgálja meg azokat az átmeneteket, ahol az emberek félbeszakítják egymást, röviden szólnak vagy egyszerre beszélnek. A jól strukturált eredmény segíti a navigációt és az ellenőrzést, de egy konkrét beszélőhöz rendelés továbbra is igényelheti az eredeti hang meghallgatását.

Ismert beszélők referenciái

A dokumentált munkafolyamat legfeljebb négy névvel ellátott beszélőreferenciát fogad. Minden referencia rövid, 2–10 másodperces hangrészlet a fő hangfájl feltöltéséhez támogatott formátumban. A neveket és referenciákat együtt kell megadni, hogy a szegmensek ismert beszélőkhöz kapcsolhatók legyenek.

Olyan referenciát készítsen, amely egyértelműen a kívánt beszélőt tartalmazza, és a nevét tartsa összhangban az átirat tervezett címkéivel. Interjúnál az interjúvezetőhöz adott referencia segíthet rendezni a beszélőcímkékkel ellátott eredményt anélkül, hogy minden résztvevő névtelen címkét kapna. A referencia a beszélőhöz rendelés bemenete; nem általános hangklónozási művelet, és nem igazolja egy személy azonosságát.

Ne keverje össze a beszélő megnevezését az elhangzott szavak szerkesztésével. A hasznos kimenetnek továbbra is meg kell őriznie a felvétel tartalmát és a megszólalások tényleges sorrendjét.

Darabolás és modellkorlátok

30 másodpercnél hosszabb hanghoz a gyártó darabolási stratégiát ír elő: automatikus darabolást vagy beszédaktivitás-érzékelési konfigurációt. Ez a követelmény nem a felvétel maximális időtartama. Azt írja le, hogyan osztják fel feldolgozáshoz a hosszabb bemenetet.

A modellkártya 16 000 tokenes kontextusablakot és legfeljebb 2 000 kimeneti tokent sorol fel. Ezek modellbeli tokenkorlátok, amelyek különböznek a fájlmunkafolyamat 25 MB-os feltöltési korlátjától és a darabolási küszöbtől. Nem szabad belőlük minden felvételre érvényes, kitalált percszámot levezetni.

Hosszabb átirat összeállításakor vagy vizsgálatakor őrizze meg az időjelöléseket és a szegmensek azonosságát. Ha a felvételt beküldés előtt felosztották, minden rész kapcsolatát őrizze meg az eredeti hanggal, hogy a helyi időbélyeg ne keveredjen a teljes beszélgetésen belüli pozíciójával.

Véglegesített szegmensek streamelése

A fájlátírási munkafolyamat a felvétel feldolgozása közben streamelhet szöveget. Beszélőcímkékkel ellátott streamelésnél a befejezett szegmensek szegmenseseményeket hoznak létre. A szövegnövekmények szegmensazonosítót tartalmaznak, de részleges beszélő-hozzárendelést nem; a beszélő hozzárendelése a szegmens véglegesítésekor történik.

Ez a különbség a megjelenítésnél fontos. Az ideiglenes szöveget és a véglegesített megszólalást eltérő állapotként mutassa, ahelyett hogy bizonytalan beszélőcímkét rendelne hozzá, mielőtt a modell befejezné a szegmenst. Ha az átirat későbbi szerkesztéshez vagy elemzéshez szükséges, őrizze meg a befejezett eredményt.

A modell és a kimenet határai

Ez a profil a beszélőelkülönítő modell, amely különbözik a szokásos GPT-4o átírástól, a Mini átírástól, a beszédszintézistől és az élő beszélgetési modellektől. Nem támogat szöveges átírási utasításokat; az esetleges terminológiai ellenőrzést vagy javítást külön lépésként kezelje, az eredeti hanggal összevetve. Gyártói felülete felvett hang szöveggé átírására szolgál. Nem ad hangválaszt, és nem fordít felvételt a külön hangfordítási munkafolyamaton keresztül.

Olyan átiratokhoz használja, amelyeknek a tartalomra és a beszélők szerinti szerkezetre egyaránt szükségük van. A neveket, műszaki kifejezéseket, számokat, megszólalási határokat és beszélőhöz rendeléseket ellenőrizze a felvétel alapján. Őrizze meg a hangot, a választott eredményformátumot, a referenciákat és az elkészült átiratot, hogy egy javítás egy konkrét kifejezésre vagy beszélő-hozzárendelésre irányulhasson.