Fish Audio: Transcribe 1 Pro

Transcribe 1 Pro yra Fish Audio kalbos konvertavimo į tekstą modelis trumpiems klipams, kelių kalbėtojų pokalbiams ir ilgiems įrašams. Jis priima įrašytą garsą ir grąžina transkripciją su pasirenkamomis laiko žymomis bei struktūruotais kalbėtojų pasisakymais. Jį išskiria tekste pažymėti kalbėtojo pasikeitimai ir emocijų ar balso reiškinių žymos, išsaugančios daugiau įrašo pokalbio struktūros nei paprasta žodžių seka.

Interviu, susitikimo ar tinklalaidės atveju visą pokalbį išsaugokite viename faile, kad vėl prabilę kalbėtojai atsake galėtų išlaikyti nuoseklias žymas. Naudingas peržiūros rezultatas yra su originaliu įrašu susieta transkripcija, atskirai parodyti pasisakymai ir laiko žyma citatai patikrinti. Santrauka ar veiksmų sąrašas yra vėlesnis programos veiksmas: laikykite juos atskirai nuo transkripcijos, kad ištartas šaltinio turinys liktų prieinamas palyginimui.

Gamintojas priima iki 60 minučių įrašus ir aprašo ilgų failų apdorojimą naudojant suspaustą garsą, pavyzdžiui, MP3, Opus ar AAC. Palaikomi formatai apima WAV, MP3, AAC M4A ar MP4 konteineriuose, FLAC, Ogg su Opus arba Vorbis, WebM/Matroska ir MOV. Vaizdo faile naudojamas pirmasis garso takelis. AIFF, CAF, WMA, AMR, AC-3 ir neapdorotas PCM be antraštės nepalaikomi. Vienoje užklausoje pateikiamas vienas garso failas; rezultatas gaunamas baigus viso įrašo transkripciją, o ilgo įrašo apdorojimas gali trukti kelias minutes. Trumpesni nei maždaug 0,08 sekundės klipai atmetami.

Gamintojo atsake yra visas tekstas, įrašo trukmė sekundėmis ir segments masyvas. Pro kalbėtojų pasikeitimus žymi tiesiog tekste tokiomis žymomis kaip <|speaker:0|> ir <|speaker:1|>; žyma taikoma po jos einančiam tekstui iki kitos žymos. Tai identifikatoriai vieno atsako viduje, o ne patikrinti vardai ar tapatybės, kurias galima susieti tarp užklausų. Jei transkripcijoje nėra kalbėtojo žymos, vadovas ją laiko vieno kalbėtojo rezultatu. Tekstą iki pirmosios žymos išsaugokite su pirmuoju pasisakymu, užuot jį atmetę.

Žodžių lygmens laiko žymos yra pasirenkamos. Gamintojo užklausoje ignore_timestamps numatytoji reikšmė yra true; nustačius false prašoma segmentų su tekstu bei pradžios ir pabaigos laikais sekundėmis. Segmentas paprastai yra žodis arba vienas ar keli kinų ir japonų kalbų rašmenys. Segmento tekste nėra skyrybos, kalbėtojų ar įvykių žymų, o ištarta reikšmė gali būti normalizuojama kitaip nei visoje transkripcijoje. Žodžio segmento pradžios ir pabaigos laikas gali sutapti. Tuščias segments masyvas gali reikšti, kad laiko žymų neprašyta, nerasta kalbos arba laiko žymos laikinai nebuvo prieinamos. Visą transkripciją naudokite skaitomam tekstui, o segmentus – suderinimui pagal laiką, užuot manę, kad abi eilutės sutampa ženklas po ženklo.

diarize nustatymo numatytoji reikšmė yra auto. Kai prašoma laiko žymų ir diarize nėra false, Pro taip pat grąžina speaker_turns. Kiekviename pasisakyme yra kalbėtojo žyma, tekstas ir pradžios bei pabaigos laikai, išsaugant skyrybą ir paliktas žymas, bet be tekste įterpto kalbėtojo žymeklio. Jei žodžių laiko žymos neprieinamos, pasisakymų laikai gali būti apytikriai ir apimti visą įrašą; gretimi pasisakymai nebūtinai yra vientisi ar nesutampantys laike. Išjungus diarize pašalinamas struktūruotas pasisakymų sąrašas, bet visame tekste lieka kalbėtojų žymos. Žinomas kalbėtojų skaičius arba mažiausias ir didžiausias skaičius gali pagal galimybes padėti atskirti kalbėtojus ilgesniuose įrašuose. Tikslaus skaičiaus negalima derinti su skaičiaus ribomis, o skaičiaus užuominų negalima naudoti išjungus diarize.

Emocijų ir balso reiškinių žymos pasirodo kaip tekstas laužtiniuose skliaustuose, pavyzdžiui, [laughter], šalia atpažintos kalbos. Tai išvados iš garso, o ne žodžiai, kuriuos naudotojas turi pridėti prieš transkripciją. Pro nustatymo tag_audio_events numatytoji reikšmė yra true; jį išjungus šios žymos pašalinamos iš transkripcijos ir pasisakymų teksto nekeičiant laiko žymų. Nėra atskiro emocijos lauko ar fiksuoto emocijų sąrašo. Išsaugokite anotuotą transkripciją, kai svarbu, kaip pastaba skamba, ir naudokite versiją be žymų, kai tolesniam rezultatui reikia tik ištartų žodžių.

Kalba aptinkama automatiškai. Pasirenkama mažosiomis raidėmis pateikta ISO 639-1 užuomina neverčia versti ir nekeičia Pro transkripcijos. Jei kalbos nustatyti nepavyksta, grąžintas kalbos kodas gali atspindėti užuominą jos nepatikrinus pagal garsą. Gamintojas pateikia vieną kalbą, o ne visų kalbų mišriame įraše sąrašą. Ruošdami paieškai tinkamą archyvą, originalią formuluotę ir kalbos metaduomenis saugokite kartu, ypač kai skirtingos pokalbio dalys pereina iš vienos kalbos į kitą.

Subtitrams nuoseklius žodžius su laiko žymomis grupuokite į skaitomus SRT ar WebVTT segmentus, užuot kūrę po subtitrą kiekvienam žodžiui. Segmentus atskirkite ties pauzėmis, o jų ilgį ir rodymo trukmę parinkite pagal leistuvą ir auditoriją. Pasisakymų ribos gali išlaikyti skirtingus kalbėtojus atskiruose segmentuose. Tikrinkite, ar laiko žymų rezultatas nėra tuščias ir ar segmentų pabaiga yra vėlesnė už pradžią. Subtitrų formatavimas, vardų suteikimas anoniminėms kalbėtojų žymoms ir vėlesnė santrauka yra programos rezultatai, kuriami iš transkripcijos.

Praktiniame darbo su įrašu procese prieš transkripciją nuspręskite, ar reikia paprasto skaitomo teksto, anotuotų pokalbio pasisakymų ar subtitrų su laiko žymomis. Garso identifikatorių saugokite su rezultatu, išsaugokite grąžintą visą tekstą, kai svarbi skyryba ir žymos, o naršymui naudokite struktūruotus laiko laukus. Pro ilgų įrašų ir kelių kalbėtojų galimybės skiriasi nuo bendrojo Transcribe 1 modelio trumpiems įrašams; jų ribų ir valdiklių nereikėtų laikyti tarpusavyje pakeičiamais.