OpenAI: GPT-4o Mini Transcribe

GPT-4o Mini Transcribe er OpenAIs tale-til-tekst-modell bygget på GPT-4o Mini. Den godtar lyd med valgfri tekstveiledning og produserer gjenkjent tekst. Den er en annen modell enn GPT-4o Transcribe, som bruker GPT-4o, og den nyere GPT Transcribe-profilen med separate felt for nøkkelord og flerspråklige hint. Det nyttige produktet her er en transkripsjon av opptakets opprinnelige tale, forberedt for søk, gjennomgang eller et senere trinn i innholdsbehandlingen.

Forbered opptaket

OpenAIs veiledning for filtranskripsjon godtar lydopplastinger på opptil 25 MB. Den gjeldende endepunktreferansen oppgir FLAC, MP3, MP4, MPEG, MPGA, M4A, OGG, WAV og WebM, med tilstrekkelige filnavn- og innholdstypemetadata til å identifisere lydformatet. Større opptak kan komprimeres eller deles i stykker på 25 MB eller mindre. Behold setningsgrensene ved oppdeling, og hold hvert stykke knyttet til kildeopptaket og posisjonen, slik at teksten senere kan settes sammen i riktig rekkefølge.

For talenotater beholder du én identifiserbar transkripsjon per opptak og kontrollerer navn eller tall før teksten brukes til å opprette oppgaver. For en muntlig veiledning sammenligner du den gjenkjente ordlyden med de opprinnelige instruksjonene før den redigeres for publisering. Et nyttig forberedelsesgrunnlag angir talespråket og begrepene som ellers kan feilhøres. Transkripsjon av ordene er det første trinnet; en tolkning, et sammendrag eller en oversettelse kan bruke den kontrollerte transkripsjonen etterpå.

Instruksjonsveiledning og ett språkhint

Eksisterende GPT-4o Mini Transcribe-integrasjoner støtter en fritt formulert instruksjon. OpenAI beskriver instruksjoner for navn, forkortelser, opptaksspesifikt ordforråd, tegnsetting, store og små bokstaver, fyllord og det foretrukne skriftsystemet. Endepunktreferansen sier at instruksjonen skal samsvare med lydens språk og kan gi kontekst fra et foregående lydsegment. Ta med relevante stavemåter eller en kort beskrivelse av temaet, fremfor å be en transkripsjonsinstruksjon opptre som en ubegrenset samtaleinstruksjon.

Modellens etablerte språkhint bruker entallsfeltet language. Produsentens referanse dokumenterer en inndataspråkkode i ISO 639-1-format, for eksempel en. Det separate keywords-feltet og flertallsfeltet languages er dokumentert for GPT Transcribe; de er ikke del av denne Mini-profilen. For en serie opptak beholder du den tiltenkte talespråkinnstillingen sammen med hvert opptak, fremfor å tolke den som en forespørsel om å oversette resultatet.

JSON-resultat og valgfrie tokensannsynligheter

Den gjeldende endepunktreferansen dokumenterer JSON som det støttede svarformatet for GPT-4o Mini Transcribe. Den gjenkjente ordlyden står i text-feltet. Når det forespørres, kan logaritmiske tokensannsynligheter følge JSON-svaret; verdiene beskriver modellens tokensannsynligheter og kan bidra til å identifisere materiale for nærmere gjennomgang. De fastslår ikke at et navn, tall eller en setning samsvarer med lyden. Bruk opptaket til å avgjøre om et tvilsomt ord skal rettes.

Den vanlige Mini-transkripsjonsprofilen gir ikke innebygde SRT- eller VTT-utdata, detaljerte ordtidsstempler eller utdata med taleretiketter gjennom denne JSON-spesifikasjonen. OpenAI dokumenterer spesialiserte modeller og formater for slike muligheter. Hvis det tiltenkte produktet er et undertekstspor, beholder du den gjennomgåtte transkripsjonen tilgjengelig for en separat tidsettingsarbeidsflyt, fremfor å anta at et tekstresultat allerede inneholder undertekstgrenser.

Strømming av filutdata og dokumenterte moduser

Produsentens tale-til-tekst-veiledning sier eksplisitt at eksisterende GPT-4o Mini Transcribe-integrasjoner støtter filstrømming. Et fullført opptak kan gi delvis transkripsjonstekst etterfulgt av et endelig resultat mens det behandles. Behold den endelige transkripsjonen som det fullførte produktet; at delvis tekst vises, betyr ikke at filarbeidsflyten kontinuerlig mottar direkte mikrofonlyd. Modellkortet oppgir transkripsjons- og Realtime-endepunktfamilier separat. Disse produsentgrensesnittene betyr ikke at alle øktfelt fra en annen transkripsjonsmodell gjelder her.

Kontekst, utdatagrense og nyttige kontroller

OpenAIs gjeldende modellspesifikasjon oppgir et kontekstvindu på 16000 tokener, en maksimal utdatamengde på 2000 tokener og en kunnskapsgrense på 1. juni 2024. Dette er modellspesifikasjonens tall, ikke en universell varighet i minutter for et lydopptak. Filstørrelsesregelen og en tokengrense beskriver ulike begrensninger. For lengre materiale forbereder du opptaket rundt den dokumenterte filarbeidsflyten, tar med relevant kontekst mellom stykkene og kontrollerer at den endelige teksten inneholder slutten av kilden.

Et nyttig Mini Transcribe-resultat beholder ordlyden og forholdet til opptaket, med eventuelle sannsynlighetsdata atskilt fra redaksjonelle rettelser. Gjennomgå ukjent ordforråd, aksenter, bakgrunnsstøy, språkbytter og overlappende tale med originalopptaket tilgjengelig. Når teksten revideres for lesbarhet, skiller du den redigerte versjonen fra den gjenkjente transkripsjonen, slik at senere brukere kan se hvilken ordlyd som kom fra opptaket, og hvilken som ble endret under forberedelsen.