Fish Audio: Transcribe 1 Pro

Transcribe 1 Pro er Fish Audios tale-til-tekst-modell for korte klipp, samtaler med flere talere og lange opptak. Den mottar innspilt lyd og returnerer en transkripsjon med valgfrie tidsangivelser og strukturerte taleturer. Særtrekkene er talerskifter markert i teksten og signaler om følelser eller vokale hendelser, som bevarer mer av samtalestrukturen i opptaket enn en ren ordsekvens.

For et intervju, møte eller en podkast beholdes hele samtalen i én fil, slik at talere som kommer tilbake, kan beholde konsekvente betegnelser innenfor svaret. Et nyttig gjennomgangsgrunnlag er en transkripsjon knyttet til originalopptaket, med taleturene vist separat og et tidsstempel tilgjengelig for å kontrollere et sitat. Et sammendrag eller en tiltaksliste er et senere applikasjonstrinn: hold det separat fra transkripsjonen slik at den talte kilden fortsatt er tilgjengelig for sammenligning.

Produsenten godtar opptak på opptil 60 minutter og beskriver behandling av lange filer med komprimert lyd som MP3, Opus eller AAC. Støttede formater omfatter WAV, MP3, AAC i M4A eller MP4, FLAC, Ogg med Opus eller Vorbis, WebM/Matroska og MOV. For en videofil brukes det første lydsporet. AIFF, CAF, WMA, AMR, AC-3 og rå PCM uten filhode støttes ikke. Én lydfil leveres per forespørsel; resultatet kommer etter at hele opptaket er transkribert, og et langt opptak kan ta flere minutter. Klipp kortere enn omtrent 0,08 sekunder avvises.

Produsentsvaret inneholder hele teksten, opptakets varighet i sekunder og en segments-liste. Pro markerer talerskifter direkte i teksten med betegnelser som <|speaker:0|> og <|speaker:1|>; en betegnelse gjelder den påfølgende teksten frem til neste markør. Dette er identifikatorer innenfor ett svar, ikke bekreftede navn eller identiteter som kan kobles på tvers av forespørsler. Hvis transkripsjonen ikke har noen talermarkør, behandler veiledningen den som et resultat med én taler. Behold eventuell tekst før den første markøren sammen med den første taleturen fremfor å forkaste den.

Tidsstempler på ordnivå er valgfrie. I produsentforespørselen er ignore_timestamps som standard true; verdien false ber om segmenter med tekst og start- og sluttider i sekunder. Et segment er vanligvis et ord, eller ett eller noen få tegn på kinesisk og japansk. Segmentteksten utelater tegnsetting, talermarkører og hendelsessignaler og kan normalisere en uttalt verdi annerledes enn den fullstendige transkripsjonen. Et ordsegment kan ha samme start- og sluttid. En tom segments-liste kan bety at tidsstempler ikke ble forespurt, at ingen tale ble funnet, eller at tidsangivelse var midlertidig utilgjengelig. Bruk den fullstendige transkripsjonen for lesbar ordlyd og segmentene for tidsmessig tilordning fremfor å anta at begge tekststrengene samsvarer tegn for tegn.

diarize-innstillingen er som standard auto. Når tidsstempler forespørres og diarize ikke er false, returnerer Pro også speaker_turns. Hver taletur inneholder talerbetegnelse, tekst og start-/sluttider, med tegnsetting og bevarte signaler, men uten talermarkøren fra den fullstendige teksten. Hvis tidsangivelse på ordnivå er utilgjengelig, kan taleturtidene være omtrentlige og dekke hele opptaket; tilstøtende taleturer følger ikke nødvendigvis direkte etter hverandre og kan overlappe. Deaktivering av diarize fjerner den strukturerte taleturlisten, men lar talermarkørene stå i hele teksten. Et kjent antall talere, eller minimums- og maksimumsantall, kan veilede taleradskillelsen i lengre opptak etter beste evne. Det nøyaktige antallet kan ikke kombineres med antallsgrensene, og antallshint kan ikke brukes når diarize er deaktivert.

Signaler om følelser og vokale hendelser vises som tekst i hakeparenteser, for eksempel [laughter], sammen med den gjenkjente talen. De er slutninger fra lyden, ikke ord som en bruker må legge til før transkripsjon. Pros tag_audio_events-innstilling er som standard true; deaktivering fjerner disse signalene fra transkripsjonen og taleturteksten uten å endre tidsangivelsene. Det finnes ikke noe separat følelsesfelt eller en fast liste over følelsesverdier. Behold den annoterte transkripsjonen når måten en bemerkning høres ut på er viktig, og bruk en versjon uten signaler når den etterfølgende leveransen bare trenger de talte ordene.

Språket oppdages automatisk. Et valgfritt ISO 639-1-hint med små bokstaver tvinger ikke frem oversettelse og endrer ikke Pros transkripsjon. Hvis språket ikke kan bestemmes, kan den returnerte språkkoden gjenspeile hintet uten å bekrefte det mot lyden. Produsenten rapporterer ett språk, ikke en oversikt over alle språk i et flerspråklig opptak. Behold original ordlyd og språkmetadata sammen når et søkbart arkiv klargjøres, særlig når ulike deler av samtalen skifter språk.

For teksting grupperes påfølgende tidsangitte ord i lesbare SRT- eller WebVTT-tekstblokker fremfor å lage én tekstblokk per ord. Skill blokkene ved pauser, og velg lengde og visningstid som passer avspilleren og publikum. Taleturgrenser kan holde ulike talere i separate tekstblokker. Kontroller om tidsresultatet er tomt, og at slutten på hver blokk er senere enn starten. Tekstformatering, navn for anonyme talerbetegnelser og eventuelle senere sammendrag er applikasjonsprodukter bygget fra transkripsjonsresultatet.

For en praktisk opptaksflyt avgjøres det før transkripsjon om det trengs en vanlig lesbar transkripsjon, annoterte samtaleturer eller tidsangitt teksting. Behold lydidentifikatoren sammen med resultatet, ta vare på den returnerte fullstendige teksten når tegnsetting og signaler er viktige, og bruk de strukturerte tidsfeltene til navigasjon. Pros funksjoner for lange opptak og flere talere er atskilt fra den generelle Transcribe 1-modellen for korte opptak; grensene og kontrollene skal ikke behandles som utbyttbare.