gpt-4o-transcribe-diarize

GPT-4o Transcribe Diarize è il modello di riconoscimento automatico della voce di OpenAI con diarizzazione dei parlanti integrata. Associa i segmenti audio trascritti ai diversi parlanti di una conversazione. Il risultato utile è una trascrizione organizzata per parlante e tempo, anziché un semplice blocco continuo di parole. È destinato alla voce registrata che richiede etichette dei parlanti, come una riunione, un’intervista o una discussione con più persone.

Preparare la registrazione completata

Fornite la registrazione da trascrivere. Il processo documentato per i file accetta MP3, MP4, MPEG, MPGA, M4A, WAV e WebM, con un limite di dimensione del file di 25 MB. Conservate la registrazione di origine, affinché un turno di parola, un nome o una frase poco chiara possa essere verificato rispetto all’audio effettivo.

Per una riunione, conservate la sequenza della conversazione anziché eliminare le pause brevi che aiutano a distinguere i turni. Per un’intervista, mantenete domanda e risposta insieme quando l’attività richiede la loro relazione. La preparazione dell’audio deve rendere udibile la voce senza rimuovere informazioni importanti per il risultato identificato per parlante.

È un processo di trascrizione di file. Elaborare una registrazione completata e riconoscere un flusso audio ancora in arrivo sono attività diverse; l’identificazione dei parlanti del modello non è supportata nelle sessioni di trascrizione Realtime.

Richiedere una trascrizione identificata per parlante

Il formato del risultato diarized_json restituisce segmenti con etichette di identità dei parlanti e tempi di inizio e fine. Ogni segmento contiene anche il proprio testo trascritto. Conservate questi campi insieme, affinché le parole possano essere collegate alla parte pertinente della registrazione.

Per una trascrizione utile di una riunione, conservate la sequenza dei segmenti e mostrate le parole di ciascun parlante con i relativi tempi. Un’attività successiva può usare quella trascrizione per preparare un verbale o azioni da svolgere, ma la diarizzazione stessa non stabilisce ciò che la riunione ha deciso e non genera un riepilogo verificato.

Le etichette dei parlanti descrivono il raggruppamento della voce effettuato dal modello. Esaminate le transizioni in cui le persone si interrompono, parlano brevemente o contemporaneamente. Un risultato ben strutturato è utile per navigare e verificare, mentre un’attribuzione specifica può comunque richiedere l’ascolto dell’audio originale.

Riferimenti di parlanti noti

Il processo documentato può accettare fino a quattro riferimenti di parlanti con nome. Ogni riferimento è una breve clip audio di 2–10 secondi in un formato supportato per il caricamento principale. I nomi e i riferimenti vengono forniti insieme, affinché i segmenti possano essere associati a parlanti noti.

Preparate un riferimento che contenga chiaramente il parlante desiderato e mantenetene il nome coerente con le etichette previste per la trascrizione. Per un’intervista, un riferimento per chi la conduce può aiutare a organizzare il risultato identificato per parlante senza trasformare ogni partecipante in un’etichetta anonima. Il riferimento è un input per l’attribuzione; non è un’operazione generale di clonazione della voce né una prova dell’identità di una persona.

Non confondete il dare un nome a un parlante con il modificare le parole pronunciate. L’output utile deve comunque preservare il contenuto della registrazione e l’ordine effettivo dei turni.

Suddivisione e limiti del modello

Per audio di durata superiore a 30 secondi, il produttore richiede una strategia di suddivisione, automatica oppure con una configurazione di rilevamento dell’attività vocale. Questo requisito non è una durata massima di registrazione. Descrive come l’input più lungo viene suddiviso per l’elaborazione.

La scheda del modello indica una finestra di contesto di 16 000 token e un massimo di 2 000 token di output. Sono limiti di token del modello, distinti dal limite di caricamento di 25 MB del processo per file e dalla soglia di suddivisione. Non vanno convertiti in un numero inventato di minuti valido per ogni registrazione.

Conservate i riferimenti temporali e l’identità dei segmenti quando assemblate o esaminate una trascrizione più lunga. Se una registrazione è stata suddivisa prima dell’invio, mantenete la relazione di ciascuna parte con l’audio originale, affinché un tempo locale non venga confuso con la sua posizione nella conversazione completa.

Trasmettere in streaming i segmenti finalizzati

Il processo di trascrizione di file può trasmettere il testo in streaming mentre la registrazione viene elaborata. Con lo streaming identificato per parlante, i segmenti completati producono eventi di segmento. Gli incrementi di testo includono un identificatore del segmento, ma non contengono assegnazioni parziali dei parlanti; un parlante viene assegnato quando il segmento è finalizzato.

Questa distinzione è importante per la presentazione. Mostrate il testo provvisorio e un turno di parola finalizzato come stati diversi, anziché attribuire un’etichetta incerta di parlante prima che il modello abbia completato il segmento. Conservate il risultato completato quando la trascrizione serve per modifiche o analisi successive.

Limiti del modello e dell’output

Questo profilo è il modello di diarizzazione, distinto dalla trascrizione GPT-4o ordinaria, dalla trascrizione Mini, dalla sintesi vocale e dai modelli di conversazione dal vivo. Non supporta prompt di trascrizione; mantenete eventuali revisioni o correzioni terminologiche come passaggi separati da verificare rispetto all’audio originale. L’interfaccia del produttore trascrive audio registrato in testo. Non genera una risposta audio e non traduce una registrazione attraverso il processo separato di traduzione audio.

Usatelo per trascrizioni che richiedono sia contenuto sia struttura dei parlanti. Verificate nomi, termini tecnici, numeri, confini dei turni e attribuzioni rispetto alla registrazione. Conservate l’audio, il formato del risultato scelto, i riferimenti e la trascrizione completata, affinché una correzione possa riguardare una frase concreta o un’assegnazione di parlante.