Deepgram: Nova-3

Nova-3は、音声をテキストへ変換するDeepgramの汎用音声認識モデルです。メーカーは、録音済み音声またはストリーミングの文字起こしを使い、会議、イベント字幕、複数話者の録音、雑音や離れたマイクなどの難しい条件に推奨しています。有用な結果は、時間情報と信頼度が元の音声に結び付いた、認識された発話です。

言語ワークフローを選ぶ

文書化された既定の言語は英語です。単一言語のリクエストは、話されている言語または対応ロケールを選びます。現行の汎用モデル表には、英語の地域変種、スペイン語、フランス語、ドイツ語、ロシア語、ポルトガル語、日本語、イタリア語、オランダ語、アラビア語、中国語の表記体系、カザフ語を含む多くの言語が挙げられています。任意のロケール名を受け付けると想定せず、メーカーの対応コードから選んでください。

多言語設定は、言語を切り替えるための別のワークフローです。現行のNova-3表では、英語、スペイン語、フランス語、ドイツ語、ヒンディー語、ロシア語、ポルトガル語、日本語、イタリア語、オランダ語の10言語が挙げられています。この集合は、より大きな単一言語リストとは同じではありません。録音内で対応言語が切り替わる場合は、会話全体を無関係な単一言語設定に押し込めず、多言語モードを準備してください。翻訳版や要約版を作る前に、話された内容を残します。

録音音声と文字起こしの準備

Deepgramのファイルワークフローは、アップロードされた音声のバイト列、または音声ファイルへの参照を受け付けます。メーカーは後で取得するために文字起こしを保存しないため、リクエスト完了時に返された文字起こしを保存してください。一般的な対応形式とエンコードとして、MP3、MP4、MP2、AAC、WAV、FLAC、PCM、M4A、Ogg、Opus、WebMが文書化されています。実際の形式とチャンネル情報を録音とともに残します。録音に一貫した識別子を付け、結果を正しい出典とチャンネル情報に結び付けてください。会議では元の音を聞きながら参加者名や専門用語を確認します。講義やイベントでは、後の字幕や検索結果が該当箇所を見つけられるよう、音声の順序を保持してください。

メーカーの録音済み音声ガイドは、最大ファイルサイズを2 GBとし、大きな動画ファイルから音声ストリームを取り出すことを推奨しています。Novaリクエストには10分の処理タイムアウトも記載されています。これはリクエストの処理時間に関するもので、録音が最大10分という意味ではありません。有用な結果は、意図した録音の終わりを含みます。一部だけを保持した文字起こしを、全文として扱うべきではありません。

単語、時刻、信頼度を読む

文書化されたJSON応答は、文字起こしの候補と認識された単語を含み、各単語に音声冒頭からの秒単位の開始・終了時刻と信頼度が付きます。複数話者の文字起こしでは、メーカーの任意の話者分離が各単語に話者ラベルを付けます。録音済み音声の話者分離は話者の信頼度も返し、ストリーミングの話者分離は話者ラベルを返します。それらのラベルを録音の声に照らして確認してください。文字起こし全体の信頼度も0〜1の尺度で報告されます。スマートフォーマットを要求した場合、結果には句読点付き単語として句読点や大文字・小文字が含まれ、読みやすい段落情報も得られます。

それらのフィールドは意味に従って使ってください。単語の時刻は認識された発話を位置付けますが、信頼度はモデルの信頼性の指標であり、難しい名前や数量を正しく聞き取った証明ではありません。字幕の準備では、確認済みの表現と時間情報を保持し、境界を音に照らして点検してください。読みやすい編集版では、不確実な単語をもっともらしい話に黙って置き換えず、認識された文字起こしと変更を区別できるようにします。

ストリーミング認識と確定セグメント

Novaのストリーミングワークフローは、音声が届くにつれて、中間結果と確定結果のテキストを返します。is_finalは、修正される可能性があるテキストと確定したセグメントを区別します。speech_finalは、発話セグメントの終端検出に関係します。それらの信号を、単に空でない文字起こしを受け取ることと区別し、完成した記録を準備する際は、確定セグメントを音声の順に残してください。

Nova-3は汎用ASRであり、モデルにネイティブなターン検出を持つ別のFlux会話モデルではありません。Novaは文字起こしの確定状態と発話終端を示し、Fluxは独自の会話ターン状態イベントを提供します。音声が録音済みか、リアルタイムで届くかに合わせて文字起こしのワークフローを選び、実際の最終出力を保持する成果物にしてください。

重要な語彙のためのキーターム

Nova-3の文書化されたKeyterm Promptingは、単一言語と多言語の文字起こしに対応し、モデルを再学習せずに重要な用語の認識を誘導します。実際に話される可能性がある関連する名前、商品用語、頭字語、複数語のフレーズを入力してください。ガイドはkeyterm入力の合計を500トークンに制限し、一般的な単語を無差別に追加せず、最重要の語彙に絞ることを推奨しています。

メーカーの構文は、用語ごとに独立したkeyterm項目を持つ通常の用語を使います。複数語のフレーズは1つのフレーズのままです。旧式のキーワード重みや強調指定、独立した用語をカンマ・セミコロン・改行で連結する方法は同等ではありません。インターフェースが1つの文字列値として受け付けても、意図した認識の強化が得られないことがあります。名前の大文字・小文字を正しく入力し、その後も文字起こしを確認してください。音声の文脈やスマートフォーマットにより、最終的な表記が変わる場合があります。

モデルファミリーの境界と有用な結果

汎用Nova-3のプロファイルは、別名のMedicalやPharmaの選択肢とは異なります。語彙の誘導で別エディションに変わるわけではなく、専門モデルの言語範囲や動作を汎用モデルに想定するべきではありません。追加の文字起こし処理機能は、メーカーの音声ワークフロー内の選択肢です。要求していない要約、翻訳、その他の成果物を認識処理が生成した証拠ではありません。

有用なNova-3の成果物は、検索可能な会議の文字起こし、単語の時間情報を持つ字幕用の表現、多言語会話の記録などです。音声識別子、選択した言語ワークフロー、最終テキスト、有用な信頼度や時間フィールドを残してください。不明瞭な名前、数字、重なる声、言語切り替えを元の録音に照らして確認し、次のコンテンツ処理段階のために、実際に認識された発話を参照可能なままにしてください。