Fish Audio: Transcribe 1 Pro

Transcribe 1 Pro adalah model ucapan-ke-teks Fish Audio untuk klip pendek, percakapan banyak pembicara, dan rekaman panjang. Model menerima audio rekaman dan mengembalikan transkrip, dengan pemasaan opsional serta giliran bicara terstruktur. Ciri khasnya adalah pergantian pembicara yang ditandai dalam teks dan petunjuk emosi atau kejadian vokal, sehingga lebih banyak struktur percakapan rekaman dipertahankan dibanding urutan kata biasa.

Untuk wawancara, rapat, atau podcast, simpan seluruh percakapan dalam satu berkas agar pembicara yang muncul kembali dapat mempertahankan label konsisten dalam respons. Artefak peninjauan yang berguna adalah transkrip yang terhubung dengan rekaman asli, dengan giliran ditampilkan terpisah dan cap waktu tersedia untuk memeriksa kutipan. Ringkasan atau daftar tindakan merupakan tahap aplikasi berikutnya: pisahkan dari transkrip agar sumber ucapan tetap tersedia untuk perbandingan.

Produsen menerima rekaman hingga 60 menit dan menjelaskan pemrosesan berkas panjang dengan audio terkompresi seperti MP3, Opus, atau AAC. Format yang didukung meliputi WAV, MP3, AAC dalam M4A atau MP4, FLAC, Ogg dengan Opus atau Vorbis, WebM/Matroska, dan MOV. Untuk berkas video, model menggunakan trek audio pertama. AIFF, CAF, WMA, AMR, AC-3, dan PCM mentah tanpa header tidak didukung. Satu berkas audio diberikan per permintaan; hasil tiba setelah seluruh rekaman selesai ditranskripsikan, dan rekaman panjang dapat membutuhkan beberapa menit. Klip lebih pendek dari sekitar 0,08 detik ditolak.

Respons produsen memuat teks lengkap, durasi rekaman dalam detik, dan larik segments. Pro menandai pergantian pembicara langsung dalam teks dengan label seperti <|speaker:0|> dan <|speaker:1|>; label berlaku untuk teks berikutnya hingga penanda selanjutnya. Ini adalah pengenal dalam satu respons, bukan nama atau identitas terverifikasi yang dapat dicocokkan lintas permintaan. Jika transkrip tidak memiliki penanda pembicara, panduan memperlakukannya sebagai hasil satu pembicara. Simpan teks sebelum penanda pertama bersama giliran pertama, bukan membuangnya.

Cap waktu tingkat kata bersifat opsional. Dalam permintaan produsen, ignore_timestamps bernilai bawaan true; mengaturnya menjadi false meminta segments dengan text, start, dan end dalam detik. Segmen biasanya satu kata, atau satu maupun beberapa karakter dalam bahasa Tionghoa dan Jepang. Teks segmen menghilangkan tanda baca, penanda pembicara, dan petunjuk kejadian, serta dapat menormalisasi nilai yang diucapkan secara berbeda dari transkrip lengkap. Segmen kata dapat memiliki waktu mulai dan akhir yang sama. Larik segments kosong dapat berarti cap waktu tidak diminta, tidak ditemukan ucapan, atau pemasaan sementara tidak tersedia. Gunakan transkrip lengkap untuk pilihan kata yang mudah dibaca dan segments untuk penyelarasan alih-alih menganggap kedua string cocok karakter demi karakter.

Pengaturan diarize bernilai bawaan auto. Ketika cap waktu diminta dan diarize bukan false, Pro juga mengembalikan speaker_turns. Setiap giliran memuat label pembicara, teks, dan waktu mulai/akhir, mempertahankan tanda baca serta petunjuk yang disimpan tanpa penanda pembicara dalam teks. Jika pemasaan kata tidak tersedia, waktu giliran dapat bersifat perkiraan dan mencakup seluruh rekaman; giliran bersebelahan tidak harus bersambung atau bebas tumpang tindih. Menonaktifkan diarize menghilangkan daftar giliran terstruktur tetapi mempertahankan penanda pembicara dalam teks lengkap. Jumlah pembicara yang diketahui, atau jumlah minimum dan maksimum, dapat memandu diarisasi rekaman lebih panjang berdasarkan upaya terbaik. Jumlah tepat tidak dapat digabungkan dengan batas jumlah, dan petunjuk jumlah tidak dapat digunakan ketika diarize dinonaktifkan.

Petunjuk emosi dan kejadian vokal muncul sebagai teks dalam kurung siku, misalnya [laughter], bersama ucapan yang dikenali. Petunjuk ini adalah inferensi dari audio, bukan kata-kata yang perlu ditambahkan pengguna sebelum transkripsi. Pengaturan tag_audio_events Pro bernilai bawaan true; menonaktifkannya menghapus petunjuk tersebut dari transkrip dan teks giliran tanpa mengubah pemasaan. Tidak ada bidang emosi terpisah atau enumerasi emosi tetap. Simpan transkrip beranotasi ketika bunyi suatu ucapan penting, dan gunakan versi tanpa petunjuk ketika artefak berikutnya hanya membutuhkan kata-kata yang diucapkan.

Bahasa dideteksi otomatis. Petunjuk ISO 639-1 huruf kecil opsional tidak memaksa terjemahan atau mengubah transkrip Pro. Jika bahasa tidak dapat ditentukan, kode bahasa yang dikembalikan dapat mencerminkan petunjuk tanpa memverifikasinya terhadap audio. Produsen melaporkan satu bahasa, bukan inventaris semua bahasa dalam rekaman campuran. Simpan pilihan kata asli dan metadata bahasa bersama-sama saat menyiapkan arsip yang dapat dicari, terutama ketika bagian percakapan berganti bahasa.

Untuk takarir, kelompokkan kata berwaktu yang berurutan menjadi cue SRT atau WebVTT yang mudah dibaca, bukan menghasilkan satu takarir per kata. Pisahkan cue di sekitar jeda dan pilih panjang serta waktu tampil sesuai pemutar dan audiens. Batas giliran bicara dapat memisahkan pembicara berbeda ke cue tersendiri. Periksa hasil pemasaan kosong dan cue yang waktu akhirnya harus lebih lambat daripada waktu mulai. Format takarir, nama untuk label pembicara anonim, dan ringkasan berikutnya merupakan artefak aplikasi yang dibangun dari hasil transkripsi.

Untuk alur rekaman praktis, putuskan sebelum transkripsi apakah yang dibutuhkan adalah transkrip biasa yang mudah dibaca, giliran percakapan beranotasi, atau takarir berwaktu. Simpan pengenal audio bersama hasil, pertahankan teks lengkap yang dikembalikan ketika tanda baca dan petunjuk penting, serta gunakan bidang pemasaan terstruktur untuk navigasi. Kemampuan rekaman panjang dan banyak pembicara Pro berbeda dari model Transcribe 1 umum untuk rekaman pendek; batas serta kendalinya tidak boleh diperlakukan sebagai saling dapat dipertukarkan.