Deepgram: Nova-3

Nova-3 adalah model pengenalan ucapan serbaguna Deepgram untuk mengubah audio menjadi teks. Produsen menyarankannya untuk rapat, takarir acara, rekaman banyak pembicara, dan kondisi menantang seperti kebisingan atau mikrofon jauh, menggunakan transkripsi rekaman atau streaming. Hasil yang berguna adalah ucapan yang dikenali bersama pemasaan dan informasi keyakinan yang tetap terhubung dengan audio sumber.

Pilih alur bahasa

Bahasa bawaan yang didokumentasikan adalah bahasa Inggris. Permintaan satu bahasa memilih bahasa yang diucapkan atau locale yang didukung. Tabel model umum saat ini mencakup varian regional bahasa Inggris, Spanyol, Prancis, Jerman, Rusia, Portugis, Jepang, Italia, Belanda, Arab, aksara Tionghoa, dan banyak bahasa lainnya, termasuk Kazakh. Pilih dari kode yang didukung produsen alih-alih menganggap setiap nama locale diterima.

Pengaturan multibahasa merupakan alur pergantian bahasa yang terpisah. Tabel Nova-3 saat ini mencantumkan sepuluh bahasa untuk mode ini: Inggris, Spanyol, Prancis, Jerman, Hindi, Rusia, Portugis, Jepang, Italia, dan Belanda. Himpunan ini tidak sama dengan daftar satu bahasa yang lebih besar. Untuk rekaman yang berganti-ganti di antara bahasa yang didukung, siapkan mode multibahasa alih-alih memaksa seluruh percakapan ke pengaturan satu bahasa yang tidak terkait. Pertahankan apa yang diucapkan sebelum menyiapkan versi terjemahan atau ringkasan.

Audio rekaman dan persiapan transkrip

Alur berkas Deepgram menerima byte audio yang diunggah atau rujukan ke berkas audio. Simpan transkrip yang dikembalikan ketika permintaan selesai; produsen tidak menyimpan transkrip untuk pengambilan di kemudian waktu. Format dan pengodean masukan umum yang didokumentasikan mencakup MP3, MP4, MP2, AAC, WAV, FLAC, PCM, M4A, Ogg, Opus, dan WebM. Pertahankan format sebenarnya serta informasi kanal bersama rekaman. Berikan pengenal stabil pada rekaman dan jaga hasil tetap terkait dengan sumber serta informasi kanal yang tepat. Untuk rapat, tinjau nama peserta dan istilah teknis sambil mendengarkan suara asli. Untuk kuliah atau acara, pertahankan urutan audio agar takarir atau hasil pencarian berikutnya dapat menemukan bagian relevan.

Panduan rekaman produsen mencantumkan ukuran berkas maksimum 2 GB dan menyarankan ekstraksi aliran audio dari berkas video besar. Panduan juga mendokumentasikan batas waktu pemrosesan sepuluh menit untuk permintaan Nova. Batas tersebut menyangkut lamanya pemrosesan permintaan, bukan durasi rekaman maksimum sepuluh menit. Hasil yang berguna mencakup bagian akhir rekaman yang dimaksudkan; transkrip yang hanya disimpan sebagian tidak boleh dianggap sebagai teks lengkap.

Baca kata, waktu, dan keyakinan

Respons JSON yang didokumentasikan mencakup alternatif transkrip dan kata yang dikenali, dengan waktu mulai serta akhir setiap kata dalam detik sejak awal audio dan nilai keyakinan. Untuk transkrip banyak pembicara, diarisasi opsional produsen memberikan label pembicara pada setiap kata. Diarisasi rekaman juga mengembalikan keyakinan pembicara; diarisasi streaming mengembalikan label pembicara. Tinjau label tersebut berdasarkan suara dalam rekaman. Keyakinan transkrip keseluruhan juga dilaporkan pada skala 0–1. Ketika pemformatan cerdas diminta, hasil dapat mencakup tanda baca dan kapitalisasi sebagai kata bertanda baca, bersama informasi paragraf yang mudah dibaca.

Gunakan bidang tersebut sesuai maknanya. Waktu kata menunjukkan lokasi ucapan yang dikenali, sedangkan keyakinan adalah indikasi keandalan model, bukan bukti bahwa nama atau jumlah yang sulit telah didengar dengan benar. Untuk persiapan takarir, simpan pemasaan bersama pilihan kata yang telah ditinjau dan periksa batasnya terhadap suara. Untuk versi editorial yang mudah dibaca, buat perubahan dapat dibedakan dari transkrip pengenalan alih-alih diam-diam mengganti kata yang tidak pasti dengan cerita yang masuk akal.

Pengenalan streaming dan segmen akhir

Alur streaming Nova mengembalikan teks saat audio datang, dengan hasil sementara dan akhir. Indikator is_final membedakan teks yang masih dapat direvisi dari segmen yang telah difinalkan. Indikator speech_final berkaitan dengan penentuan titik akhir segmen ucapan. Bedakan sinyal ini dari sekadar menerima transkrip tidak kosong, dan simpan segmen akhir sesuai urutan audio ketika menyiapkan rekaman lengkap.

Nova-3 adalah ASR umum, bukan model percakapan Flux terpisah dengan deteksi giliran bawaan model. Nova menandai finalitas transkrip dan titik akhir ucapan; Flux memberikan kejadian status giliran percakapannya sendiri. Pilih alur transkripsi berdasarkan apakah audio sudah direkam atau sedang datang langsung, dengan menggunakan keluaran akhir sebenarnya sebagai artefak yang disimpan.

Keyterm untuk kosakata penting

Keyterm Prompting Nova-3 yang didokumentasikan mendukung transkripsi satu bahasa dan multibahasa serta menyesuaikan pengenalan ke istilah penting tanpa melatih ulang model. Berikan nama relevan, istilah produk, akronim, atau frasa multikata yang mungkin benar-benar diucapkan. Panduan membatasi masukan keyterm gabungan pada 500 token dan menyarankan fokus pada kosakata terpenting alih-alih menambahkan kata umum tanpa seleksi.

Sintaks produsen menggunakan istilah biasa, dengan entri keyterm terpisah untuk setiap istilah. Frasa multikata tetap menjadi satu frasa. Bobot keyword lama atau penguat, serta penggabungan istilah terpisah dengan koma, titik koma, atau pergantian baris, tidak setara: antarmuka dapat menerimanya sebagai satu nilai literal tanpa memberikan penguatan yang dimaksudkan. Gunakan kapitalisasi nama yang tepat, lalu periksa transkrip karena konteks audio dan pemformatan cerdas masih dapat mengubah bentuk tertulis akhirnya.

Batas keluarga model dan hasil yang berguna

Profil Nova-3 umum berbeda dari pilihan Medical dan Pharma yang dinamai terpisah. Prompt kosakata tidak mengubahnya menjadi edisi lain, dan cakupan bahasa atau perilaku model khusus tidak boleh diasumsikan untuk model umum. Fitur pemrosesan transkrip tambahan merupakan pilihan dalam alur ucapan produsen, bukan bukti bahwa pengenalan telah menghasilkan ringkasan, terjemahan, atau artefak lain yang tidak pernah diminta.

Hasil Nova-3 yang berguna dapat berupa transkrip rapat yang dapat dicari, pilihan kata siap takarir dengan pemasaan kata, atau rekaman percakapan multibahasa. Simpan pengenal audio, alur bahasa terpilih, teks akhir, serta bidang keyakinan atau pemasaan yang berguna. Periksa nama tidak jelas, angka, suara tumpang tindih, dan pergantian bahasa terhadap rekaman asli, serta pertahankan ucapan yang benar-benar dikenali untuk tahap pemrosesan konten berikutnya.