OpenAI: GPT-4o Transcribe

GPT-4o Transcribe è il modello di conversione da voce a testo di OpenAI basato su GPT-4o. L’input è audio con indicazioni testuali facoltative e l’output è testo riconosciuto. È distinto dall’edizione GPT-4o Mini Transcribe e da GPT-4o Transcribe Diarize, il modello specializzato nell’identificazione dei parlanti. Usate questo profilo per preparare una registrazione testuale fedele del materiale parlato, mantenendo disponibile l’audio di origine per le verifiche e il lavoro editoriale successivo.

Input di file e preparazione del materiale lungo

La guida alla trascrizione di OpenAI documenta caricamenti fino a 25 MB. L’attuale documentazione dell’endpoint accetta FLAC, MP3, MP4, MPEG, MPGA, M4A, OGG, WAV e WebM e consiglia metadati del file che ne identifichino il formato, compresi un nome con estensione e un tipo di contenuto appropriato. Per una registrazione più grande, la compressione o parti ordinate di 25 MB o meno seguono le indicazioni del produttore per l’input lungo. Evitate una divisione a metà frase e conservate la posizione di ogni parte nella registrazione completa.

Per un’intervista, associate ogni file di input alla registrazione e al passaggio che copre. Per una presentazione tecnica, preparate i nomi dei prodotti, le sigle e il vocabolario del settore pertinenti come contesto, poi verificate quelle grafie rispetto a ciò che il parlante ha effettivamente detto. Per una spiegazione registrata con valori numerici, esaminate la trascrizione insieme alla fonte prima di trasformarla in una procedura scritta. Il primo risultato desiderato è la voce riconosciuta in forma di testo; un rapporto sintetico o un documento tradotto può essere preparato da quel testo come passaggio separato.

Prompt specifici della registrazione e scelta della lingua

La guida del produttore include esplicitamente GPT-4o Transcribe nel supporto dei prompt. Un prompt può fornire grafie corrette, contesto di un segmento precedente e preferenze per punteggiatura, maiuscole, riempitivi o sistema di scrittura. La documentazione indica che deve corrispondere alla lingua della registrazione. Una descrizione breve e pertinente dell’argomento e del vocabolario offre alla trascrizione un contesto utile, senza trattare termini non pronunciati come output obbligatorio.

Questo profilo supporta l’indicazione singolare di lingua language, documentata nel formato ISO 639-1. Fornire la lingua effettiva di input può aiutare il riconoscimento. I campi più recenti keywords e languages al plurale di GPT Transcribe appartengono a quel modello denominato separatamente e non vanno presunti disponibili per GPT-4o Transcribe. Mantenete l’impostazione della lingua legata alla voce che state trascrivendo e preservate la formulazione originale prima di traduzioni o riscritture stilistiche successive.

Formato del risultato, probabilità e output specializzati

L’attuale documentazione dell’endpoint indica JSON come formato di risposta supportato per GPT-4o Transcribe. Il risultato contiene il testo riconosciuto e i logaritmi facoltativi delle probabilità dei token possono essere richiesti con quel formato JSON. I dati di probabilità descrivono la scelta dei token da parte del modello. Possono indicare quali passaggi richiedono un esame, ma è il confronto con l’audio a stabilire se la trascrizione riproduce un nome, un numero o una frase difficile.

Il risultato JSON del profilo standard non fornisce formati nativi di sottotitoli, tempi dettagliati delle singole parole o assegnazioni dei parlanti. OpenAI documenta altre scelte di modelli e formati quando servono quegli output; GPT-4o Transcribe Diarize è l’edizione distinta per identificare i parlanti. Per un’attività di sottotitolazione, conservate una trascrizione verificata per una fase di sincronizzazione adatta. Per una conversazione, non inventate nomi dei parlanti soltanto perché un paragrafo della trascrizione sembra cambiare argomento o voce.

Risultati in streaming da un file completato

La guida di OpenAI alla conversione da voce a testo indica che le integrazioni GPT-4o Transcribe esistenti supportano lo streaming dei file. L’applicazione fornisce prima la registrazione, poi riceve il testo della trascrizione mentre quella registrazione viene elaborata e conserva il risultato completato. Questo trasmette in streaming la trascrizione di una registrazione completata, anziché accettare l’audio del microfono mentre arriva. La scheda precisa del modello elenca anche le famiglie di endpoint di trascrizione e Realtime; il comportamento delle sessioni specifico del modello deve restare associato a questo profilo, senza essere mutuato da un modello più recente con streaming continuo.

Limiti del modello e verifica del risultato finale

Le specifiche attuali di GPT-4o Transcribe indicano una finestra di contesto di 16 000 token, un output massimo di 2 000 token e conoscenze aggiornate al 1 giugno 2024. Questi limiti di token non sono una durata audio fissa e non sostituiscono le regole di preparazione della trascrizione di file. Per una registrazione estesa, conservate l’ordine della fonte e il contesto precedente pertinente, poi verificate che il testo completato raggiunga la fine di ogni segmento previsto.

Una trascrizione finale utile può diventare materiale d’intervista consultabile tramite ricerca, una fonte per documentazione tecnica o il testo per un successivo processo di sottotitolazione. Verificate vocabolario incerto, quantità, punteggiatura, accenti e parlato sovrapposto rispetto alla registrazione. Mantenete il testo riconosciuto distinto dalle correzioni o dai riepiloghi successivi e conservate il collegamento alla fonte attraverso gli identificatori del processo di lavoro circostante. Il modello fornisce una registrazione testuale; una preparazione attenta dell’input e la verifica della fonte determinano se è adatta all’uso successivo.