gpt-4o-transcribe-diarize

GPT-4o Transcribe Diarize er OpenAIs modell for automatisk talegjenkjenning med innebygd talerinndeling. Den knytter transkriberte lydsegmenter til ulike talere i en samtale. Det nyttige resultatet er en transkripsjon organisert etter taler og tid, fremfor bare en sammenhengende ordblokk. Modellen er laget for taleopptak som trenger taleretiketter, for eksempel et møte, et intervju eller en diskusjon med flere personer.

Forbered det fullførte opptaket

Oppgi opptaket som skal transkriberes. Den dokumenterte filarbeidsflyten godtar MP3, MP4, MPEG, MPGA, M4A, WAV og WebM, med en filstørrelsesgrense på 25 MB. Behold kildeopptaket tilgjengelig, slik at en taletur, et navn eller en uklar frase kan kontrolleres mot den faktiske lyden.

For et møte beholder du samtalens rekkefølge fremfor å fjerne de korte pausene som bidrar til å skille taleturene. For et intervju holder du spørsmålet og svaret samlet når oppgaven trenger sammenhengen mellom dem. Lydforberedelsen skal gjøre talen hørbar uten å fjerne informasjon som er viktig for resultatet med taleretiketter.

Dette er en arbeidsflyt for filtranskripsjon. Å behandle et fullført opptak og å gjenkjenne en lydstrøm som fortsatt kommer inn, er ulike oppgaver; modellens talermerking støttes ikke i Realtime-transkripsjonsøkter.

Be om en transkripsjon med taleretiketter

Resultatformatet diarized_json returnerer segmenter med etiketter for talerne og start- og sluttidspunkt. Hvert segment inneholder også den transkriberte teksten. Hold feltene samlet, slik at ordene kan knyttes til den relevante delen av opptaket.

For en nyttig møtetranskripsjon beholder du segmentrekkefølgen og viser hver talers ord med tidspunktene. En senere oppgave kan bruke transkripsjonen til å forberede et referat eller handlingspunkter, men talerinndeling avgjør ikke i seg selv hva møtedeltakerne ble enige om, og genererer ikke et verifisert sammendrag.

Taleretikettene beskriver modellens gruppering av talen. Undersøk overganger der folk avbryter hverandre, snakker kort eller overlapper. Et godt strukturert resultat er nyttig for navigering og gjennomgang, mens en bestemt tilordning fortsatt kan kreve at man lytter til originalopptaket.

Referanser for kjente talere

Den dokumenterte arbeidsflyten kan godta opptil fire navngitte talerreferanser. Hver referanse er et kort lydklipp på 2–10 sekunder i et format som støttes av hovedopplastingen. Navnene og referansene oppgis sammen, slik at segmentene kan knyttes til kjente talere.

Forbered en referanse som tydelig inneholder den tiltenkte taleren, og hold navnet i samsvar med etikettene som er tenkt for transkripsjonen. For et intervju kan en referanse for verten bidra til å organisere resultatet med taleretiketter uten å gjøre alle deltakerne til anonyme etiketter. Referansen er inndata til tilordningen; den er ikke en generell operasjon for stemmekloning eller bevis for en persons identitet.

Ikke bland det å navngi en taler med å redigere ordene som ble sagt. De nyttige utdataene må fortsatt bevare opptakets innhold og den faktiske rekkefølgen på taleturene.

Oppdeling og modellgrenser

For lyd lengre enn 30 sekunder krever produsenten en oppdelingsstrategi, enten automatisk oppdeling eller en konfigurasjon for registrering av taleaktivitet. Dette kravet er ikke en maksimal opptakslengde. Det beskriver hvordan lengre inndata deles for behandling.

Modellkortet oppgir et kontekstvindu på 16000 tokener og maksimalt 2000 utdatatokener. Dette er modellens tokengrenser, atskilt fra filarbeidsflytens opplastingsgrense på 25 MB og terskelen for oppdeling. De skal ikke omregnes til et oppdiktet antall minutter som gjelder alle opptak.

Behold tidspunkter og segmentidentitet når du setter sammen eller undersøker en lengre transkripsjon. Hvis et opptak er delt før innsending, beholder du forholdet mellom hver del og originalopptaket, slik at et lokalt tidsstempel ikke forveksles med posisjonen i hele samtalen.

Strømming av ferdigstilte segmenter

Arbeidsflyten for filtranskripsjon kan strømme tekst mens opptaket behandles. Ved strømming med taleretiketter produserer fullførte segmenter segmenthendelser. Tekstdeltaer inneholder en segmentidentifikator, men ikke delvise talertilordninger; en taler tilordnes når segmentet ferdigstilles.

Dette skillet er viktig for visningen. Vis foreløpig tekst og en ferdigstilt taletur som ulike tilstander, fremfor å feste en usikker taleretikett før modellen har fullført segmentet. Behold det fullførte resultatet når transkripsjonen trengs for senere redigering eller analyse.

Modell- og utdatagrensene

Denne profilen er modellen for talerinndeling, atskilt fra vanlig GPT-4o-transkripsjon, Mini-transkripsjon, talesyntese og modeller for direktesamtaler. Den støtter ikke transkripsjonsinstruksjoner; behold eventuell terminologigjennomgang eller retting som et separat trinn kontrollert mot originalopptaket. Produsentens grensesnitt er transkripsjon av innspilt lyd til tekst. Modellen genererer ikke et lydsvar og oversetter ikke et opptak gjennom den separate arbeidsflyten for lydoversettelse.

Bruk modellen til transkripsjoner som trenger både innhold og talerstruktur. Kontroller navn, fagtermer, tall, grensene mellom taleturene og tilordningene mot opptaket. Behold lyden, det valgte resultatformatet, referansene og den fullførte transkripsjonen, slik at en rettelse kan gjelde én konkret frase eller talertilordning.