Deepgram: Nova-3

Nova-3 è il modello generale di riconoscimento del parlato di Deepgram per convertire audio in testo. Il produttore lo raccomanda per riunioni, sottotitoli di eventi, registrazioni con più parlanti e condizioni difficili come rumore o microfoni lontani, usando trascrizione preregistrata o in streaming. Il risultato utile è parlato riconosciuto con informazioni di temporizzazione e confidenza che rimangono collegate all’audio di origine.

Scegliere il flusso linguistico

La lingua predefinita documentata è l’inglese. Una richiesta monolingue seleziona la lingua parlata o la variante locale supportata. La tabella attuale del modello generale comprende varianti regionali dell’inglese, spagnolo, francese, tedesco, russo, portoghese, giapponese, italiano, neerlandese, arabo, scritture cinesi e molte altre lingue, incluso il kazako. Seleziona dai codici supportati dal produttore anziché presumere che qualsiasi nome di locale sia accettato.

L’impostazione multilingue è un flusso separato di alternanza linguistica. La tabella attuale di Nova-3 elenca dieci lingue per questa modalità: inglese, spagnolo, francese, tedesco, hindi, russo, portoghese, giapponese, italiano e neerlandese. Questo insieme non è identico alla lista monolingue più ampia. Per una registrazione che alterna lingue supportate, prepara la modalità multilingue anziché forzare l’intera conversazione in un’impostazione monolingue non pertinente. Conserva ciò che è stato detto prima di preparare qualsiasi versione tradotta o riassunta.

Audio registrato e preparazione della trascrizione

Il flusso di file di Deepgram accetta byte audio caricati o un riferimento a un file audio. Salva la trascrizione restituita quando la richiesta termina; il produttore non memorizza le trascrizioni per un recupero successivo. Formati e codifiche di input comuni documentati comprendono MP3, MP4, MP2, AAC, WAV, FLAC, PCM, M4A, Ogg, Opus e WebM. Preserva il formato effettivo e le informazioni sui canali insieme alla registrazione. Assegna alla registrazione un identificatore stabile e mantieni il risultato associato alla fonte corretta e alle sue informazioni sui canali. Per una riunione, verifica nomi dei partecipanti e termini tecnici ascoltando il suono originale. Per una lezione o un evento, conserva la sequenza dell’audio affinché un sottotitolo o un risultato di ricerca successivi possano individuare il passaggio pertinente.

La guida del produttore per l’audio preregistrato indica una dimensione massima di file di 2 GB e raccomanda di estrarre il flusso audio da un file video grande. Documenta inoltre un timeout di elaborazione di dieci minuti per le richieste Nova. Quel timeout riguarda la durata di elaborazione della richiesta, non una durata massima di registrazione di dieci minuti. Un risultato utile include la fine della registrazione prevista; una trascrizione conservata parzialmente non dovrebbe essere trattata come il testo completo.

Leggere parole, tempi e confidenza

La risposta JSON documentata include alternative di trascrizione e parole riconosciute, con il tempo di inizio e fine di ogni parola in secondi dall’inizio dell’audio e un valore di confidenza. Per una trascrizione con più parlanti, la diarizzazione facoltativa del produttore assegna un’etichetta di parlante a ogni parola. La diarizzazione preregistrata restituisce anche la confidenza del parlante; quella in streaming restituisce l’etichetta del parlante. Verifica quelle etichette rispetto alle voci nella registrazione. Viene riportata anche la confidenza complessiva della trascrizione su una scala da 0 a 1. Quando viene richiesta la formattazione intelligente, il risultato può includere punteggiatura e maiuscole come parole con punteggiatura, insieme a informazioni su paragrafi leggibili.

Usa quei campi secondo il loro significato. Il tempo di una parola individua parlato riconosciuto, mentre la confidenza è l’indicazione di affidabilità del modello, non prova che un nome o una quantità difficili siano stati uditi correttamente. Per preparare sottotitoli, conserva la temporizzazione insieme alla formulazione verificata ed esamina i confini rispetto al suono. Per una versione editoriale leggibile, mantieni le modifiche distinguibili dalla trascrizione riconosciuta anziché sostituire silenziosamente parole incerte con una storia plausibile.

Riconoscimento in streaming e segmenti definitivi

Il flusso in streaming di Nova restituisce testo man mano che arriva l’audio, con risultati provvisori e definitivi. L’indicatore is_final distingue testo che può essere rivisto da un segmento finalizzato. L’indicatore speech_final riguarda il rilevamento della fine di un segmento parlato. Mantieni questi segnali distinti dal semplice ricevimento di una trascrizione non vuota e conserva i segmenti definitivi nell’ordine audio quando prepari il record completo.

Nova-3 è un modello ASR generale anziché il modello conversazionale separato Flux con rilevamento nativo dei turni. Nova marca la definitività della trascrizione e i punti di fine parlato; Flux fornisce propri eventi sullo stato dei turni conversazionali. Scegli il flusso di trascrizione in base al fatto che l’audio sia già registrato o arrivi dal vivo, usando comunque l’output definitivo effettivo come artefatto da conservare.

Termini chiave per il vocabolario importante

Il Keyterm Prompting documentato di Nova-3 supporta trascrizione monolingue e multilingue e adatta il riconoscimento ai termini importanti senza riaddestrare il modello. Fornisci nomi, termini di prodotto, acronimi o espressioni di più parole pertinenti che potrebbero essere effettivamente pronunciati. La guida limita l’input complessivo dei termini chiave a 500 token e raccomanda di concentrarsi sul vocabolario più importante anziché aggiungere indiscriminatamente parole comuni.

La sintassi del produttore usa termini semplici, con una voce keyterm separata per ogni termine. Un’espressione di più parole rimane un’unica espressione. I vecchi pesi o intensificatori di parole chiave e l’unione di termini separati con virgole, punti e virgola o interruzioni di riga non sono equivalenti: l’interfaccia può accettarli come un unico valore letterale senza fornire il rafforzamento desiderato. Usa le maiuscole corrette per i nomi, poi controlla la trascrizione perché il contesto audio e la formattazione intelligente possono comunque cambiare la forma scritta finale.

Confini della famiglia di modelli e risultati utili

Il profilo generale Nova-3 è distinto dalle opzioni denominate separatamente Medical e Pharma. Il prompting del vocabolario non lo trasforma in un’altra edizione e copertura linguistica o comportamento dei modelli specializzati non dovrebbero essere presunti per quello generale. Le funzionalità aggiuntive di elaborazione della trascrizione sono scelte nel flusso vocale del produttore, non evidenza che il riconoscimento abbia prodotto un riepilogo, una traduzione o un altro artefatto mai richiesto.

Un risultato utile di Nova-3 può essere una trascrizione di riunione ricercabile, una formulazione pronta per sottotitoli con tempi delle parole o un record di una conversazione multilingue. Conserva l’identificatore audio, il flusso linguistico selezionato, il testo definitivo e gli eventuali campi utili di confidenza o temporizzazione. Verifica nomi poco chiari, numeri, voci sovrapposte e cambi di lingua rispetto alla registrazione originale e mantieni il parlato effettivamente riconosciuto disponibile per il passaggio successivo di elaborazione dei contenuti.