OpenAI: GPT-4o Transcribe

A GPT-4o Transcribe az OpenAI GPT-4o alapú beszéd-szöveg modellje. Bemenete hang opcionális szöveges útmutatással, kimenete pedig felismert szöveg. Különbözik a GPT-4o Mini Transcribe kiadástól és a beszélőcímkézésre specializált GPT-4o Transcribe Diarize modelltől. A profilt a beszélt anyag hű szöveges rögzítéséhez használja, az ellenőrzéshez és későbbi szerkesztői munkához elérhető forrásfelvétellel.

Fájlbemenet és hosszú anyag előkészítése

Az OpenAI átírási útmutatója legfeljebb 25 MB-os feltöltéseket dokumentál. A jelenlegi végpontleírás FLAC, MP3, MP4, MPEG, MPGA, M4A, OGG, WAV és WebM formátumot fogad, és a formátumot azonosító fájlmetaadatokat ajánl, többek között kiterjesztéssel ellátott fájlnevet és megfelelő tartalomtípust. Nagyobb felvételnél a tömörítés vagy a legfeljebb 25 MB-os, sorrendben tartott részek követik a gyártó hosszabb bemenetre vonatkozó útmutatását. Kerülje a mondat közepén történő felosztást, és őrizze meg minden rész helyét a teljes felvételben.

Interjúnál minden bemeneti fájlt kapcsoljon a felvételhez és az általa lefedett részhez. Műszaki bemutatónál a releváns termékneveket, rövidítéseket és szakterületi szókincset készítse elő kontextusként, majd az írásmódot ellenőrizze a beszélő által ténylegesen elmondottak alapján. Számértékeket tartalmazó felvett magyarázatnál az átiratot a forrással együtt vizsgálja meg, mielőtt írásos eljárássá alakítaná. Az első kívánt eredmény a felismert beszéd szöveges formája; ebből külön lépésként tömörített jelentés vagy lefordított dokumentum készíthető.

Felvételhez kötött utasítások és nyelvválasztás

A gyártó útmutatója kifejezetten a szöveges útmutatást támogató modellek közé sorolja a GPT-4o Transcribe modellt. Az utasítás helyes írásmódokat, előző szegmensből származó kontextust, valamint az írásjelekre, nagybetűkre, töltelékszavakra vagy írásrendszerre vonatkozó igényeket adhat meg. A leírás szerint a felvétel nyelvéhez kell igazodnia. A téma és a szókincs rövid, releváns leírása hasznos kontextust ad az átíráshoz anélkül, hogy az el nem hangzott kifejezéseket kötelező kimenetként kezelné.

Ez a profil az egyes számú language nyelvi jelzést támogatja, dokumentáltan ISO 639-1 formában. A tényleges bemeneti nyelv megadása segítheti a felismerést. A GPT Transcribe újabb keywords és többes számú languages mezői ahhoz a külön megnevezett modellhez tartoznak, és nem szabad feltételezni őket a GPT-4o Transcribe esetében. A nyelvbeállítást az átírandó beszédhez kösse, és az eredeti megfogalmazást őrizze meg minden későbbi fordítás vagy stilisztikai átdolgozás előtt.

Eredményformátum, valószínűségek és specializált kimenetek

A jelenlegi végpontleírás a JSON formátumot dokumentálja a GPT-4o Transcribe támogatott válaszformátumaként. Az eredmény felismert szöveget tartalmaz, és ezzel a JSON formátummal opcionális tokenenkénti logaritmikus valószínűségek is kérhetők. A valószínűségi adatok a modell tokenválasztását írják le. Jelezhetik, mely részek igényelnek vizsgálatot, de a hanggal való összehasonlítás állapítja meg, hogy az átirat helyesen ad-e vissza egy nehéz nevet, számot vagy kifejezést.

A szokásos profil JSON-eredménye nem biztosít natív feliratformátumokat, részletes szószintű időbélyegeket vagy beszélő-hozzárendelést. Az OpenAI más modell- és formátumválasztásokat dokumentál, ha ezekre a kimenetekre van szükség; a GPT-4o Transcribe Diarize a különálló beszélőcímkéző kiadás. Feliratozási feladathoz őrizzen meg egy ellenőrzött átiratot a megfelelő időzítési lépéshez. Beszélgetésnél ne találjon ki beszélőneveket pusztán azért, mert az átirat egy bekezdése látszólag témát vagy hangot vált.

Streamelt eredmények befejezett fájlból

Az OpenAI beszéd-szöveg útmutatója szerint a meglévő GPT-4o Transcribe integrációk támogatják a fájlstreamelést. Az alkalmazás először megadja a felvételt, majd a feldolgozása közben megkapja az átirat szövegét, és megőrzi a befejezett eredményt. Ez egy befejezett felvétel átiratát streameli, nem az éppen beérkező mikrofonhangot fogadja. A pontos modellkártya átírási és Realtime végpontcsaládokat is felsorol; a modellspecifikus munkamenet-viselkedést ehhez a profilhoz kell kötni, nem egy újabb, folyamatos streamelést végző modelltől átvenni.

Modellkorlátok és a végső eredmény ellenőrzése

A GPT-4o Transcribe jelenlegi specifikációja 16 000 tokenes kontextusablakot, legfeljebb 2 000 tokenes kimenetet és 2024. június 1-jei tudáshatárt sorol fel. Ezek a tokenkorlátok nem rögzített hangidőtartamot jelentenek, és nem helyettesítik a fájlátírás előkészítési szabályait. Hosszabb felvételnél őrizze meg a forrás sorrendjét és a releváns megelőző kontextust, majd ellenőrizze, hogy az elkészült szöveg eléri-e minden tervezett szegmens végét.

Egy hasznos végső átirat kereshető interjúanyag, műszaki dokumentáció forrása vagy egy későbbi feliratozási munkafolyamat szövege lehet. A bizonytalan szókincset, mennyiségeket, írásjeleket, akcentusokat és átfedő beszédet ellenőrizze a felvétel alapján. A felismert szöveget különítse el a későbbi javításoktól vagy összefoglalóktól, és a környező munkafolyamat azonosítóival őrizze meg a forráshoz vezető kapcsolatot. A modell szöveges feljegyzést ad; a gondos bemenet-előkészítés és a forrás ellenőrzése határozza meg, alkalmas-e ez a feljegyzés a következő felhasználásra.