Fish Audio: Transcribe 1

Transcribe 1 è il modello generale speech-to-text di Fish Audio per registrazioni brevi. Accetta un file audio e restituisce le parole riconosciute sotto forma di testo, insieme alla durata della registrazione, a segmenti temporizzati facoltativi e a informazioni sulla lingua, quando disponibili. Questo modello è utile per una breve nota vocale, un’istruzione parlata, un estratto di registrazione o una clip audio che necessita di una rappresentazione testuale leggibile.

Un flusso esemplificativo per note vocali conserva la registrazione insieme alla trascrizione completa e a un identificatore della clip originale. Un passaggio applicativo successivo può cercare in quel testo, organizzare la nota o sviluppare un riepilogo conservando la fonte parlata. Per un comando, la trascrizione fornisce all’applicazione le parole riconosciute; qualsiasi azione costituisce un passaggio separato di interpretazione ed esecuzione. Per un estratto di intervista, registra la posizione della clip nell’audio completo, così da poter controllare una citazione nel punto corretto.

Il produttore accetta WAV, MP3, AAC, inclusi M4A/MP4, FLAC e Ogg contenente Opus o Vorbis. Le registrazioni del browser in WebM devono essere convertite in Ogg/Opus, MP3 o WAV per questo modello; Pro documenta il supporto nativo per contenitori aggiuntivi. Fornisci un solo file audio per richiesta. Il limite documentato del modello base è fino a 50 MiB, mantenendo i file MP3 e Opus sotto 25 MiB. Dimensione del file e lunghezza della registrazione sono aspetti diversi: un file compresso può rientrare nel limite di caricamento e richiedere comunque troppo tempo per l’elaborazione.

Transcribe 1 è progettato per registrazioni brevi. Il produttore consiglia Pro per audio più lunghi di pochi minuti; una richiesta lunga al modello base può fallire se supera il limite di tempo di elaborazione. Quando prepari una fonte lunga per trascriverla in clip brevi, conserva l’offset iniziale di ogni clip e conferma che la trascrizione restituita copra l’intera clip prima di combinare i risultati. Aggiungi l’offset originale ai tempi locali dei segmenti per mantenere la navigazione collegata alla registrazione completa. Le indicazioni del modello base non devono essere interpretate come il distinto limite di 60 minuti di Pro.

La risposta del produttore comprende testo, durata e segmenti. La durata è espressa in secondi e la trascrizione completa leggibile deve essere conservata come formulazione principale della clip. I timestamp sono facoltativi: nell’API del produttore ignore_timestamps ha valore predefinito true, mentre false richiede segmenti a livello di parola con testo e tempi di inizio e fine in secondi. Richiedere l’allineamento aumenta il tempo di elaborazione. Un array segments vuoto può derivare da temporizzazione saltata, assenza di parlato o allineamento temporaneamente non disponibile, quindi non deve essere interpretato automaticamente come una trascrizione completa vuota.

I segmenti corrispondono generalmente a parole, oppure a uno o pochi caratteri in cinese e giapponese. Il loro testo omette la punteggiatura e può normalizzare un valore in modo diverso dalla trascrizione completa; non è una copia carattere per carattere della risposta leggibile. Un segmento può avere lo stesso tempo di inizio e di fine. Usa i segmenti per trovare una posizione nella registrazione o preparare una visualizzazione temporizzata e usa il testo completo quando contano formulazione e punteggiatura. Mantieni distinte queste due rappresentazioni nel risultato.

La lingua viene rilevata automaticamente, indipendentemente dalla presenza di un suggerimento linguistico facoltativo. Il produttore documenta codici ISO 639-1 minuscoli per i suggerimenti e restituisce un codice di lingua per la logica applicativa insieme a un nome di lingua da visualizzare, quando noto. La risposta riporta una sola lingua, anziché tutte le lingue di una registrazione che alterna più lingue. Conserva la formulazione originale e i metadati linguistici disponibili con il risultato, anziché trattare la richiesta di trascrizione come un’operazione di traduzione.

Per un flusso di sottotitolazione, raggruppa i segmenti temporizzati consecutivi in battute leggibili, anziché mostrare una parola alla volta. Un output utile è un file SRT o WebVTT collegato alla clip originale, con confini delle battute adatti alle pause e una quantità gestibile di testo sullo schermo. Controlla l’eventuale assenza di temporizzazione e assicurati che la fine di ogni battuta segua il suo inizio. Il raggruppamento dei sottotitoli e la formattazione dei file sono passaggi applicativi costruiti a partire dall’allineamento restituito; le scelte di visualizzazione devono adattarsi al lettore e al pubblico.

I controlli documentati di Transcribe 1 sono l’audio, un suggerimento linguistico e la scelta dei timestamp. I marcatori dei parlanti, i turni strutturati dei parlanti, i controlli degli eventi emotivi e i suggerimenti sul numero di parlanti di Pro sono funzionalità separate; non fanno parte del contratto di risposta documentato di questo modello base. Scegli il risultato necessario prima dell’elaborazione: testo semplice e leggibile per una nota, oppure testo con allineamento per navigazione durante la riproduzione e sottotitoli. Conservare l’identificatore della clip, la trascrizione e qualsiasi temporizzazione disponibile rende il risultato utile per la fase applicativa successiva.