Deepgram: Nova-3

Nova-3 er Deepgrams generelle talegjenkjenningsmodell for å omdanne lyd til tekst. Produsenten anbefaler den for møter, teksting av arrangementer, opptak med flere talere og utfordrende forhold som støy eller mikrofoner langt unna, med enten transkripsjon av opptak eller strømming. Det nyttige resultatet er gjenkjent tale med tidsangivelser og konfidensinformasjon som fortsatt er knyttet til kildelyden.

Velg språkflyten

Det dokumenterte standardspråket er engelsk. En enspråklig forespørsel velger talespråket eller en støttet språkvariant. Den gjeldende tabellen for den generelle modellen inneholder engelske regionale varianter, spansk, fransk, tysk, russisk, portugisisk, japansk, italiensk, nederlandsk, arabisk, kinesiske skriftsystemer og mange andre språk, inkludert kasakhisk. Velg blant produsentens støttede koder fremfor å anta at ethvert navn på en språkvariant godtas.

Den flerspråklige innstillingen er en separat arbeidsflyt for språkveksling. Den gjeldende Nova-3-tabellen lister ti språk for denne: engelsk, spansk, fransk, tysk, hindi, russisk, portugisisk, japansk, italiensk og nederlandsk. Dette settet er ikke identisk med den større enspråklige listen. For et opptak som veksler mellom støttede språk, klargjøres flerspråklig modus fremfor å tvinge hele samtalen inn i en uvedkommende enspråklig innstilling. Bevar det som ble sagt, før en oversatt eller oppsummert versjon klargjøres.

Innspilt lyd og klargjøring av transkripsjonen

Deepgrams filflyt godtar opplastede lydbyte eller en referanse til en lydfil. Lagre den returnerte transkripsjonen når forespørselen er fullført; produsenten lagrer ikke transkripsjoner for senere henting. Vanlige dokumenterte inndataformater og kodinger omfatter MP3, MP4, MP2, AAC, WAV, FLAC, PCM, M4A, Ogg, Opus og WebM. Bevar informasjonen om faktisk format og kanaler sammen med opptaket. Gi opptaket en stabil identifikator, og hold resultatet knyttet til riktig kilde og kanalinformasjonen. For et møte gjennomgås deltakernavn og tekniske termer mens originallyden avspilles. For en forelesning eller et arrangement bevares lydens rekkefølge slik at en senere teksting eller et søkeresultat kan finne den relevante passasjen.

Produsentens veiledning for innspilt lyd oppgir en maksimal filstørrelse på 2 GB og anbefaler å hente ut lydstrømmen fra en stor videofil. Den dokumenterer også et tidsavbrudd etter ti minutters behandling av Nova-forespørsler. Denne tidsgrensen gjelder hvor lenge forespørselen behandles, ikke en maksimal opptaksvarighet på ti minutter. Et nyttig resultat inneholder slutten av det tiltenkte opptaket; en delvis bevart transkripsjon skal ikke behandles som hele teksten.

Les ordene, tidene og konfidensen

Det dokumenterte JSON-svaret inneholder transkripsjonsalternativer og gjenkjente ord, med start- og sluttid for hvert ord i sekunder fra begynnelsen av lyden og en konfidensverdi. For en transkripsjon med flere talere tildeler produsentens valgfrie taleradskillelse en talerbetegnelse til hvert ord. Taleradskillelse for innspilt lyd returnerer også konfidens for taleridentifikasjonen; ved strømming returneres talerbetegnelsen. Kontroller betegnelsene mot stemmene i opptaket. Samlet transkripsjonskonfidens rapporteres også på en skala fra 0 til 1. Når smart formatering forespørres, kan resultatet inneholde tegnsetting og store bokstaver som tegnsatte ord, sammen med lesbar avsnittsinformasjon.

Bruk feltene etter betydningen deres. En ordtid lokaliserer gjenkjent tale, mens konfidens er modellens angivelse av pålitelighet, ikke bevis på at et vanskelig navn eller en mengde ble hørt riktig. For teksting bevares tidsangivelsene sammen med gjennomgått ordlyd, og grensene kontrolleres mot lyden. For en lesbar redaksjonell versjon holdes endringer tydelig atskilt fra den gjenkjente transkripsjonen fremfor å erstatte usikre ord i det stille med en plausibel fortelling.

Strømmegjenkjenning og endelige segmenter

Novas strømmeflyt returnerer tekst etter hvert som lyden kommer inn, med foreløpige og endelige resultater. Indikatoren is_final skiller tekst som kan revideres, fra et ferdigstilt segment. Indikatoren speech_final gjelder deteksjon av avslutningen på et talesegment. Hold disse signalene atskilt fra bare å motta en transkripsjon som ikke er tom, og behold de endelige segmentene i lydens rekkefølge når den ferdige opptegnelsen klargjøres.

Nova-3 er generell automatisk talegjenkjenning fremfor den separate samtalemodellen Flux med modellintegrert deteksjon av taleturer. Nova markerer transkripsjonens endelighet og taleavslutninger; Flux leverer egne hendelser for samtaleturens tilstand. Velg transkripsjonsflyten etter om lyden allerede er innspilt eller kommer direkte, og bruk det faktiske endelige resultatet som materialet som skal bevares.

Nøkkeltermer for viktig ordforråd

Nova-3s dokumenterte Keyterm Prompting støtter enspråklig og flerspråklig transkripsjon og tilpasser gjenkjenningen mot viktige termer uten å trene modellen på nytt. Oppgi relevante navn, produkttermer, akronymer eller flerordsuttrykk som faktisk kan bli sagt. Veiledningen begrenser samlet nøkkelterminndata til 500 tokener og anbefaler å fokusere på det viktigste ordforrådet fremfor å legge til vanlige ord ukritisk.

Produsentens syntaks bruker vanlige termer med en separat keyterm-oppføring for hver term. Et flerordsuttrykk forblir ett uttrykk. Eldre nøkkelordvekter eller forsterkere, og sammenkobling av separate termer med komma, semikolon eller linjeskift, er ikke likeverdig: grensesnittet kan godta dem som én bokstavelig verdi uten å gi den tiltenkte forsterkningen. Skriv navn med riktig bruk av store og små bokstaver, og kontroller deretter transkripsjonen fordi lydkontekst og smart formatering fortsatt kan endre den endelige skriftlige formen.

Modellfamiliens grenser og nyttige resultater

Den generelle Nova-3-profilen er atskilt fra de separat navngitte Medical- og Pharma-alternativene. Styring med ordforråd gjør den ikke til en annen utgave, og de spesialiserte modellenes språkdekning eller oppførsel skal ikke antas å gjelde den generelle modellen. Ytterligere transkripsjonsbehandling er valg i produsentens taleflyt, ikke bevis på at gjenkjenningen har produsert et sammendrag, en oversettelse eller et annet resultat som aldri ble forespurt.

En nyttig Nova-3-leveranse kan være en søkbar møtetranskripsjon, ordlyd klargjort for teksting med ordtider eller en opptegnelse av en flerspråklig samtale. Behold lydidentifikatoren, valgt språkflyt, endelig tekst og nyttige konfidens- eller tidsfelt. Kontroller uklare navn, tall, overlappende stemmer og språkvekslinger mot originalopptaket, og hold den faktisk gjenkjente talen tilgjengelig for neste innholdsbehandlingstrinn.