gpt-4o-transcribe-diarize

GPT-4o Transcribe Diarize adalah model pengenalan ucapan otomatis OpenAI dengan diarisasi pembicara bawaan. Model mengaitkan segmen audio yang ditranskripsikan dengan pembicara berbeda dalam percakapan. Hasil yang berguna adalah transkrip yang disusun berdasarkan pembicara dan waktu, bukan hanya blok kata yang berkesinambungan. Model ditujukan untuk rekaman ucapan yang membutuhkan label pembicara, seperti rapat, wawancara, atau diskusi beberapa orang.

Siapkan rekaman yang telah selesai

Sediakan rekaman yang perlu ditranskripsikan. Alur berkas yang didokumentasikan menerima MP3, MP4, MPEG, MPGA, M4A, WAV, dan WebM, dengan batas ukuran berkas 25 MB. Simpan rekaman sumber agar giliran bicara, nama, atau frasa yang tidak jelas dapat diperiksa terhadap audio sebenarnya.

Untuk rapat, pertahankan urutan percakapan alih-alih memotong jeda singkat yang membantu membedakan giliran. Untuk wawancara, simpan pertanyaan dan respons bersama ketika tugas memerlukan hubungan keduanya. Persiapan audio perlu membuat ucapan terdengar tanpa menghapus informasi penting bagi hasil berlabel pembicara.

Ini adalah alur transkripsi berkas. Memproses rekaman yang telah selesai dan mengenali aliran audio yang masih datang merupakan tugas berbeda; pelabelan pembicara model tidak didukung dalam sesi transkripsi Realtime.

Minta transkrip berlabel pembicara

Format hasil diarized_json mengembalikan segmen dengan label identitas pembicara serta waktu mulai dan selesai. Setiap segmen juga berisi teks yang ditranskripsikan. Simpan field tersebut bersama agar kata-kata dapat dihubungkan dengan bagian rekaman yang relevan.

Untuk transkrip rapat yang berguna, pertahankan urutan segmen dan tampilkan kata-kata setiap pembicara beserta waktunya. Tugas berikutnya dapat menggunakan transkrip untuk menyiapkan notulen atau daftar tindak lanjut, tetapi diarisasi itu sendiri tidak menentukan kesepakatan rapat atau menghasilkan ringkasan yang terverifikasi.

Label pembicara menjelaskan pengelompokan ucapan oleh model. Periksa peralihan ketika orang saling menyela, berbicara singkat, atau tumpang tindih. Hasil yang terstruktur baik membantu navigasi dan peninjauan, sementara atribusi tertentu tetap dapat memerlukan pemeriksaan dengan mendengarkan audio asli.

Referensi pembicara yang dikenal

Alur yang didokumentasikan dapat menerima hingga empat referensi pembicara bernama. Setiap referensi berupa klip audio singkat sepanjang 2–10 detik dalam format yang didukung unggahan utama. Nama dan referensi disediakan bersama agar segmen dapat dikaitkan dengan pembicara yang dikenal.

Siapkan referensi yang jelas memuat pembicara yang dimaksudkan dan jaga namanya konsisten dengan label yang diinginkan untuk transkrip. Dalam wawancara, referensi untuk pewawancara dapat membantu menata hasil berlabel pembicara tanpa mengubah setiap peserta menjadi label anonim. Referensi adalah masukan untuk atribusi; referensi bukan operasi kloning suara umum atau bukti identitas seseorang.

Jangan menyamakan pemberian nama pembicara dengan penyuntingan kata-kata yang diucapkan. Keluaran yang berguna tetap harus mempertahankan isi rekaman dan urutan giliran yang sebenarnya.

Pembagian dan batas model

Untuk audio yang lebih panjang dari 30 detik, produsen mewajibkan strategi pembagian, baik pembagian otomatis maupun konfigurasi deteksi aktivitas suara. Persyaratan itu bukan durasi rekaman maksimum. Persyaratan tersebut menjelaskan pembagian masukan yang lebih panjang untuk pemrosesan.

Kartu model mencantumkan jendela konteks 16000 token dan maksimum 2000 token keluaran. Ini merupakan batas token model, terpisah dari batas unggahan 25 MB dalam alur berkas dan ambang pembagian. Batas tersebut tidak boleh diubah menjadi jumlah menit rekaan yang berlaku untuk setiap rekaman.

Pertahankan waktu dan identitas segmen saat menyusun atau memeriksa transkrip panjang. Jika rekaman dibagi sebelum dikirim, simpan hubungan setiap bagian dengan audio asli agar cap waktu lokal tidak tertukar dengan posisinya dalam seluruh percakapan.

Streaming segmen yang telah selesai

Alur transkripsi berkas dapat melakukan streaming teks saat rekaman diproses. Dengan streaming berlabel pembicara, segmen yang telah selesai menghasilkan peristiwa segmen. Delta teks memuat pengenal segmen, tetapi tidak memuat penetapan pembicara parsial; pembicara ditetapkan ketika segmen telah selesai.

Perbedaan ini penting untuk penyajian. Tampilkan teks sementara dan giliran pembicara yang telah selesai sebagai keadaan berbeda, alih-alih melampirkan label pembicara yang belum pasti sebelum model menyelesaikan segmen. Simpan hasil yang telah selesai ketika transkrip diperlukan untuk penyuntingan atau analisis berikutnya.

Batas model dan keluaran

Profil ini adalah model diarisasi, terpisah dari transkripsi GPT-4o biasa, transkripsi Mini, sintesis ucapan, dan model percakapan langsung. Model tidak mendukung prompt transkripsi; pertahankan peninjauan atau koreksi istilah sebagai langkah terpisah yang diperiksa terhadap audio asli. Antarmuka produsennya mentranskripsikan rekaman audio menjadi teks. Model tidak menghasilkan jawaban audio atau menerjemahkan rekaman melalui alur terjemahan audio yang terpisah.

Gunakan model untuk transkrip yang memerlukan isi sekaligus struktur pembicara. Periksa nama, istilah teknis, angka, batas giliran, dan atribusi terhadap rekaman. Simpan audio, format hasil yang dipilih, referensi, serta transkrip yang telah selesai agar koreksi dapat menangani satu frasa atau atribusi pembicara yang konkret.