Fish Audio: Transcribe 1 Pro

Transcribe 1 Pro è il modello di conversione del parlato in testo di Fish Audio per clip brevi, conversazioni con più parlanti e registrazioni lunghe. Riceve audio registrato e restituisce una trascrizione, con temporizzazione facoltativa e turni di parola strutturati. Le caratteristiche distintive sono i cambi di parlante marcati nel testo e gli indizi di emozioni o eventi vocali, che preservano più della struttura conversazionale della registrazione rispetto a una semplice sequenza di parole.

Per un’intervista, una riunione o un podcast, mantieni la conversazione completa in un file, affinché i parlanti che riprendono la parola possano conservare etichette coerenti all’interno della risposta. Un artefatto utile per la verifica è una trascrizione collegata alla registrazione originale, con turni mostrati separatamente e un timestamp disponibile per controllare una citazione. Un riepilogo o un elenco di azioni è un passaggio applicativo successivo: mantienilo separato dalla trascrizione, affinché la fonte parlata rimanga disponibile per il confronto.

Il produttore accetta registrazioni fino a 60 minuti e descrive l’elaborazione di file lunghi con audio compresso come MP3, Opus o AAC. I formati supportati comprendono WAV, MP3, AAC in M4A o MP4, FLAC, Ogg con Opus o Vorbis, WebM/Matroska e MOV. Per un file video, usa la prima traccia audio. AIFF, CAF, WMA, AMR, AC-3 e PCM grezzo senza intestazione non sono supportati. Viene fornito un file audio per richiesta; il risultato arriva dopo la trascrizione dell’intera registrazione e una registrazione lunga può richiedere diversi minuti. Clip più brevi di circa 0,08 secondi vengono rifiutate.

La risposta del produttore contiene il testo completo, la durata della registrazione in secondi e un array segments. Pro marca i cambi di parlante direttamente nel testo con etichette come <|speaker:0|> e <|speaker:1|>; un’etichetta si applica al testo seguente fino al marcatore successivo. Sono identificatori all’interno di una risposta, non nomi o identità verificati che possano essere abbinati tra richieste. Se la trascrizione non ha marcatori di parlante, la guida la tratta come un risultato con un solo parlante. Mantieni qualsiasi testo prima del primo marcatore insieme al primo turno anziché scartarlo.

I timestamp a livello di parola sono facoltativi. Nella richiesta al produttore, ignore_timestamps vale true per impostazione predefinita; impostarlo a false richiede segmenti con testo e tempi di inizio e fine in secondi. Un segmento è generalmente una parola oppure un carattere o pochi caratteri in cinese e giapponese. Il testo dei segmenti omette punteggiatura, marcatori dei parlanti e indizi di eventi e può normalizzare un valore pronunciato diversamente dalla trascrizione completa. Un segmento di parola può avere lo stesso tempo di inizio e fine. Un array segments vuoto può significare che i timestamp non sono stati richiesti, che non è stato rilevato parlato o che la temporizzazione era temporaneamente indisponibile. Usa la trascrizione completa per una formulazione leggibile e i segmenti per l’allineamento, anziché presumere che le due stringhe coincidano carattere per carattere.

L’impostazione diarize vale auto per impostazione predefinita. Quando vengono richiesti timestamp e diarize non è false, Pro restituisce anche speaker_turns. Ogni turno contiene l’etichetta del parlante, il testo e i tempi di inizio e fine, conservando punteggiatura e indizi mantenuti senza il marcatore del parlante incorporato nel testo. Se la temporizzazione delle parole è indisponibile, i tempi dei turni possono essere approssimativi e coprire l’intera registrazione; turni adiacenti non sono necessariamente contigui o privi di sovrapposizione. Disabilitare diarize rimuove l’elenco strutturato dei turni ma lascia i marcatori dei parlanti nel testo completo. Un numero noto di parlanti oppure un minimo e un massimo possono guidare, per quanto possibile, la diarizzazione di registrazioni più lunghe. Il numero esatto non può essere combinato con i limiti di conteggio e le indicazioni sul numero non possono essere usate quando diarize è disabilitato.

Gli indizi di emozioni ed eventi vocali compaiono come testo tra parentesi quadre, per esempio [laughter], insieme al parlato riconosciuto. Sono inferenze dall’audio, non parole che un utente deve aggiungere prima della trascrizione. L’impostazione tag_audio_events di Pro vale true per impostazione predefinita; disabilitarla rimuove questi indizi dalla trascrizione e dal testo dei turni senza cambiare la temporizzazione. Non esiste un campo separato per l’emozione né un’enumerazione fissa di emozioni. Conserva la trascrizione annotata quando conta il modo in cui una frase suona e usa una versione priva di indizi quando l’artefatto a valle richiede soltanto le parole pronunciate.

La lingua viene rilevata automaticamente. Un’indicazione facoltativa ISO 639-1 in minuscolo non forza la traduzione e non modifica la trascrizione di Pro. Se la lingua non può essere determinata, il codice linguistico restituito può riflettere l’indicazione senza verificarla rispetto all’audio. Il produttore riporta una lingua anziché un inventario di ogni lingua in una registrazione multilingue. Mantieni insieme formulazione originale e metadati linguistici quando prepari un archivio ricercabile, soprattutto quando diverse parti della conversazione cambiano lingua.

Per i sottotitoli, raggruppa parole temporizzate consecutive in blocchi SRT o WebVTT leggibili anziché produrre un sottotitolo per parola. Separa i blocchi attorno alle pause e scegli lunghezza e tempo di visualizzazione adatti al lettore e al pubblico. I confini dei turni di parola possono mantenere parlanti diversi in blocchi separati. Controlla un risultato di temporizzazione vuoto e i blocchi la cui fine deve essere successiva all’inizio. Formattazione dei sottotitoli, nomi per le etichette anonime dei parlanti e qualsiasi riepilogo successivo sono artefatti applicativi costruiti dal risultato di trascrizione.

Per un flusso concreto di registrazioni, decidi prima della trascrizione se ti serve una trascrizione semplicemente leggibile, turni di conversazione annotati o sottotitoli temporizzati. Mantieni l’identificatore audio insieme al risultato, conserva il testo completo restituito quando contano punteggiatura e indizi e usa i campi strutturati di temporizzazione per la navigazione. Le capacità di Pro per registrazioni lunghe e più parlanti sono distinte dal modello generale Transcribe 1 per registrazioni brevi; limiti e controlli non devono essere trattati come intercambiabili.