Fish Audio: Transcribe 1

Transcribe 1 er Fish Audios generelle tale-til-tekst-modell for korte opptak. Den tar imot en lydfil og returnerer de gjenkjente ordene som tekst, med opptakets varighet, valgfrie tidsfestede segmenter og språkinformasjon når den er kjent. Modellen er nyttig for et kort talenotat, en muntlig instruksjon, et utdrag fra et opptak eller et lydklipp som trenger en lesbar tekstversjon.

I et eksempel på en arbeidsflyt for talenotater beholdes opptaket sammen med den fullstendige transkripsjonen og en identifikator for originalklippet. Et senere applikasjonstrinn kan søke i teksten, organisere notatet eller lage et sammendrag mens talekilden bevares. Ved en kommando gir transkripsjonen gjenkjente ord til applikasjonen; enhver handling er et separat trinn for tolkning og utførelse. Ved et intervjuutdrag registrerer du klippets plassering i hele lydopptaket, slik at et sitat kan kontrolleres på riktig sted.

Produsenten godtar WAV, MP3, AAC inkludert M4A/MP4, FLAC og Ogg med Opus eller Vorbis. Nettleseropptak i WebM bør konverteres til Ogg/Opus, MP3 eller WAV for denne modellen; Pro dokumenterer innebygd støtte for flere beholdere. Send én lydfil per forespørsel. Grunnmodellens dokumenterte forespørselsramme er opptil 50 MiB, mens MP3- og Opus-filer skal holdes under 25 MiB. Filstørrelse og opptakslengde er ulike hensyn: en komprimert fil kan passe innenfor opplastingsrammen og likevel ta for lang tid å behandle.

Transcribe 1 er laget for korte opptak. Produsenten anbefaler Pro for lyd som er lengre enn noen få minutter; en lang forespørsel til grunnmodellen kan feile hvis behandlingstidsgrensen overskrides. Når du deler en lengre kilde opp i korte klipp for transkripsjon, bevarer du hvert klipps startforskyvning og bekrefter at den returnerte transkripsjonen dekker hele klippet før resultatene kombineres. Legg til den opprinnelige forskyvningen i segmentenes lokale tider, slik at navigasjonen forblir knyttet til hele opptaket. Veiledningen for grunnmodellen skal ikke tolkes som Pros separate ramme på 60 minutter.

Produsentens svar omfatter text, duration og segments. Varighet uttrykkes i sekunder, og den lesbare fullstendige transkripsjonen bør beholdes som klippets primære ordlyd. Tidsstempler er valgfrie: ignore_timestamps har standardverdien true i produsentens API, mens false ber om segmenter på ordnivå med tekst og start- og sluttider i sekunder. Tidsjustering gir ekstra behandlingstid. En tom segments-tabell kan skyldes at tidsfesting ble utelatt, at det ikke finnes tale, eller at justering er midlertidig utilgjengelig, og skal derfor ikke automatisk tolkes som en tom fullstendig transkripsjon.

Segmenter er vanligvis ord, eller ett eller noen få tegn på kinesisk og japansk. Segmentteksten utelater tegnsetting og kan normalisere en verdi annerledes enn fullteksten; den er ikke en kopi tegn for tegn av det lesbare svaret. Et segment kan ha samme start- og sluttid. Bruk segmenter til å finne en posisjon i opptaket eller forberede tidsstyrt visning, og bruk fullteksten når ordlyd og tegnsetting er viktige. Hold disse to representasjonene atskilt i det ferdige resultatet.

Språket gjenkjennes automatisk, uansett om et valgfritt språkhint er oppgitt. Produsenten dokumenterer ISO 639-1-koder med små bokstaver for hint og returnerer en språkkode til applikasjonslogikken sammen med et språknavn for visning når det er kjent. Svaret rapporterer ett språk, ikke alle språkene i et opptak som veksler mellom språk. Bevar kildens ordlyd og tilgjengelige språkmetadata sammen med resultatet fremfor å behandle transkripsjonsforespørselen som en oversettelse.

Ved en arbeidsflyt for undertekster grupperer du sammenhengende tidsfestede segmenter i lesbare undertekstblokker fremfor å vise ett ord om gangen. Et nyttig resultat er en SRT- eller WebVTT-fil knyttet til originalklippet, med blokkgrenser som passer med pauser og en håndterlig mengde tekst på skjermen. Se etter manglende tidsfesting, og sørg for at hver blokk slutter etter at den starter. Gruppering av undertekster og filformatering er applikasjonstrinn som bygger på den returnerte tidsjusteringen, og visningsvalgene bør passe til avspilleren og publikum.

De dokumenterte innstillingene for Transcribe 1 er lyd, et språkhint og valget om tidsstempler. Pros talermarkører, strukturerte talerturer, innstillinger for følelseshendelser og hint om antall talere er separate funksjoner; de inngår ikke i grunnmodellens dokumenterte svarkontrakt. Velg ønsket resultat før behandling: vanlig lesbar tekst for et notat, eller tekst med tidsjustering for avspillingsnavigasjon og undertekster. Bevaring av klippidentifikator, transkripsjon og tilgjengelig tidsfesting gjør resultatet nyttig i neste applikasjonstrinn.