Fish Audio: Transcribe 1 Pro

Transcribe 1 Pro ialah model pertuturan-ke-teks Fish Audio untuk klip pendek, perbualan berbilang penutur dan rakaman panjang. Ia menerima audio rakaman dan mengembalikan transkrip, dengan pemasaan pilihan serta giliran penutur berstruktur. Ciri yang membezakannya ialah perubahan penutur ditandakan dalam teks dan petunjuk tentang emosi atau peristiwa vokal, yang mengekalkan lebih banyak struktur perbualan rakaman berbanding urutan perkataan biasa.

Untuk temu bual, mesyuarat atau podcast, simpan seluruh perbualan dalam satu fail supaya penutur yang muncul semula dapat mengekalkan label konsisten dalam respons. Artifak semakan berguna ialah transkrip yang dipautkan kepada rakaman asal, dengan giliran dipaparkan berasingan dan cap masa tersedia untuk menyemak petikan. Ringkasan atau senarai tindakan ialah langkah aplikasi berikutnya: asingkannya daripada transkrip supaya sumber pertuturan kekal tersedia untuk perbandingan.

Pengeluar menerima rakaman sehingga 60 minit dan menerangkan pemprosesan fail panjang dengan audio dimampatkan seperti MP3, Opus atau AAC. Format yang disokong merangkumi WAV, MP3, AAC dalam M4A atau MP4, FLAC, Ogg dengan Opus atau Vorbis, WebM/Matroska dan MOV. Untuk fail video, ia menggunakan trek audio pertama. AIFF, CAF, WMA, AMR, AC-3 dan PCM mentah tanpa pengepala tidak disokong. Satu fail audio dibekalkan bagi setiap permintaan; hasil diterima selepas seluruh rakaman selesai ditranskripsikan, dan rakaman panjang boleh mengambil beberapa minit. Klip lebih pendek daripada kira-kira 0.08 saat ditolak.

Respons pengeluar mengandungi teks penuh, tempoh rakaman dalam saat dan tatasusunan segments. Pro menandakan perubahan penutur dalam teks dengan label seperti <|speaker:0|> dan <|speaker:1|>; label terpakai kepada teks berikutnya sehingga penanda seterusnya. Ini pengecam dalam satu respons, bukan nama atau identiti yang disahkan dan boleh dipadankan merentas permintaan. Jika transkrip tiada penanda penutur, panduan menganggapnya hasil penutur tunggal. Simpan sebarang teks sebelum penanda pertama bersama giliran pertama, bukannya membuangnya.

Cap masa peringkat perkataan bersifat pilihan. Dalam permintaan pengeluar, ignore_timestamps bernilai lalai true; menetapkannya kepada false meminta segments dengan text, start dan end dalam saat. Segmen biasanya satu perkataan, atau satu aksara atau beberapa aksara dalam bahasa Cina dan Jepun. Teks segmen tidak menyertakan tanda baca, penanda penutur dan petunjuk peristiwa serta boleh menormalkan nilai yang disebut secara berbeza daripada transkrip penuh. Segmen perkataan boleh mempunyai masa mula dan tamat yang sama. Tatasusunan segments kosong boleh bermakna cap masa tidak diminta, tiada pertuturan ditemui atau pemasaan tidak tersedia buat sementara waktu. Gunakan transkrip penuh untuk ungkapan yang boleh dibaca dan segments untuk penjajaran, bukannya menganggap kedua-dua rentetan sepadan aksara demi aksara.

Tetapan diarize bernilai lalai auto. Apabila cap masa diminta dan diarize bukan false, Pro turut mengembalikan speaker_turns. Setiap giliran mengandungi label penutur, teks serta masa mula/tamat, sambil mengekalkan tanda baca dan petunjuk yang dikekalkan tanpa penanda penutur dalam teks. Jika pemasaan perkataan tidak tersedia, masa giliran boleh berupa anggaran dan meliputi seluruh rakaman; giliran bersebelahan tidak semestinya bersambung atau bebas pertindihan. Menyahdayakan diarize membuang senarai giliran berstruktur tetapi mengekalkan penanda penutur dalam teks penuh. Bilangan penutur yang diketahui, atau bilangan minimum dan maksimum, boleh membimbing diarisasi rakaman lebih panjang atas dasar usaha terbaik. Bilangan tepat tidak boleh digabungkan dengan batas bilangan, dan petunjuk bilangan tidak boleh digunakan apabila diarize dinyahdayakan.

Petunjuk emosi dan peristiwa vokal muncul sebagai teks dalam kurungan siku, contohnya [laughter], bersama pertuturan yang dikenal pasti. Itu inferens daripada audio, bukan perkataan yang perlu ditambah pengguna sebelum transkripsi. Tetapan tag_audio_events Pro bernilai lalai true; penyahdayaannya membuang petunjuk ini daripada transkrip dan teks giliran tanpa mengubah pemasaan. Tiada medan emosi berasingan atau enumerasi emosi tetap. Simpan transkrip beranotasi apabila bunyi sesuatu ucapan penting dan gunakan versi tanpa petunjuk apabila artifak hiliran hanya memerlukan perkataan yang disebut.

Bahasa dikesan secara automatik. Petunjuk ISO 639-1 huruf kecil pilihan tidak memaksa terjemahan atau mengubah transkrip Pro. Jika bahasa tidak dapat ditentukan, kod bahasa yang dikembalikan boleh mencerminkan petunjuk tanpa mengesahkannya berdasarkan audio. Pengeluar melaporkan satu bahasa, bukannya inventori setiap bahasa dalam rakaman bercampur bahasa. Simpan ungkapan asal dan metadata bahasa bersama-sama ketika menyediakan arkib boleh carian, khususnya apabila bahagian perbualan bertukar bahasa.

Untuk kapsyen, kumpulkan perkataan bermasa berturutan menjadi cue SRT atau WebVTT yang boleh dibaca, bukannya menghasilkan satu kapsyen bagi setiap perkataan. Pisahkan cue sekitar jeda dan pilih panjang serta masa paparannya supaya sesuai dengan pemain dan khalayak. Sempadan giliran penutur boleh memastikan penutur berbeza berada dalam cue berasingan. Periksa hasil pemasaan kosong dan cue yang masa tamatnya mesti selepas masa mula. Pemformatan kapsyen, nama bagi label penutur tanpa nama dan sebarang ringkasan kemudian ialah artifak aplikasi yang dibina daripada hasil transkripsi.

Untuk aliran kerja rakaman praktikal, tentukan sebelum transkripsi sama ada anda memerlukan transkrip biasa yang mudah dibaca, giliran perbualan beranotasi atau kapsyen bermasa. Simpan pengecam audio bersama hasil, kekalkan teks penuh yang dikembalikan apabila tanda baca dan petunjuk penting serta gunakan medan pemasaan berstruktur untuk navigasi. Keupayaan rakaman panjang dan berbilang penutur Pro berbeza daripada model Transcribe 1 umum untuk rakaman pendek; had serta kawalannya tidak patut dianggap boleh saling ditukar ganti.