OpenAI: GPT-4o Transcribe

GPT-4o Transcribe er OpenAIs tale-til-tekst-modell bygget på GPT-4o. Inndataene er lyd med valgfri tekstveiledning, og utdataene er gjenkjent tekst. Den er atskilt fra GPT-4o Mini Transcribe-utgaven og fra GPT-4o Transcribe Diarize, den spesialiserte modellen for talermerking. Bruk profilen til å forberede en trofast tekstgjengivelse av talt materiale, med kildeopptaket tilgjengelig for gjennomgang og senere redaksjonelt arbeid.

Filinndata og forberedelse av langt materiale

OpenAIs transkripsjonsveiledning dokumenterer opplastinger på opptil 25 MB. Den gjeldende endepunktreferansen godtar FLAC, MP3, MP4, MPEG, MPGA, M4A, OGG, WAV og WebM og anbefaler filmetadata som identifiserer formatet, inkludert et filnavn med filendelse og en passende innholdstype. For et større opptak følger komprimering eller ordnede deler på 25 MB eller mindre produsentens veiledning for lengre inndata. Unngå å dele midt i en setning, og behold posisjonen til hver del i hele opptaket.

For et intervju knytter du hver inndatafil til opptaket og passasjen den dekker. For en teknisk presentasjon forbereder du relevante produktnavn, forkortelser og fagord som kontekst, og kontrollerer deretter stavemåtene mot det taleren faktisk sa. For en innspilt forklaring med tallverdier gjennomgår du transkripsjonen sammen med kilden før den gjøres om til en skriftlig prosedyre. Det første ønskede produktet er gjenkjent tale i tekstform; en kortfattet rapport eller et oversatt dokument kan utarbeides fra teksten som et separat trinn.

Opptaksspesifikke instruksjoner og språkvalg

Produsentens veiledning inkluderer eksplisitt GPT-4o Transcribe i støtten for instruksjoner. En instruksjon kan gi riktige stavemåter, kontekst fra et tidligere segment og ønsker for tegnsetting, store og små bokstaver, fyllord eller et skriftsystem. Referansen sier at den skal samsvare med opptakets språk. En kort, relevant beskrivelse av temaet og ordforrådet gir transkripsjonen nyttig kontekst uten å behandle ord som ikke ble sagt, som påkrevde utdata.

Profilen støtter språkhintet language i entall, dokumentert i ISO 639-1-format. Å oppgi det faktiske inndataspråket kan hjelpe gjenkjenningen. Det nyere keywords-feltet og flertallsfeltet languages tilhører den separat navngitte modellen GPT Transcribe og skal ikke antas å gjelde for GPT-4o Transcribe. Hold språkinnstillingen knyttet til talen som transkriberes, og behold den opprinnelige ordlyden før en senere oversettelse eller stilistisk omskriving.

Resultatform, sannsynligheter og spesialiserte utdata

Den gjeldende endepunktreferansen dokumenterer JSON som det støttede svarformatet for GPT-4o Transcribe. Resultatet inneholder gjenkjent tekst, og valgfrie logaritmiske tokensannsynligheter kan forespørres med dette JSON-formatet. Sannsynlighetsdataene beskriver modellens valg av tokener. De kan gi grunnlag for å velge passasjer som fortjener gjennomgang, men en sammenligning med lyden avgjør om transkripsjonen gjengir et vanskelig navn, tall eller uttrykk.

Standardprofilens JSON-resultat gir ikke innebygde undertekstformater, detaljerte ordtidsstempler eller talertilordninger. OpenAI dokumenterer andre modell- og formatvalg når slike utdata trengs; GPT-4o Transcribe Diarize er den separate utgaven med talermerking. For en tekstingsoppgave beholder du en kontrollert transkripsjon for et passende tidsettingstrinn. For en samtale skal talernavn ikke diktes opp bare fordi et transkripsjonsavsnitt ser ut til å skifte tema eller stemme.

Strømmede resultater fra en fullført fil

OpenAIs tale-til-tekst-veiledning sier at eksisterende GPT-4o Transcribe-integrasjoner støtter filstrømming. Applikasjonen sender først inn opptaket, mottar deretter transkripsjonstekst mens opptaket behandles, og beholder det fullførte resultatet. Dette strømmer transkripsjonen av et fullført opptak, fremfor å godta mikrofonlyd etter hvert som den kommer inn. Det nøyaktige modellkortet oppgir også transkripsjons- og Realtime-endepunktfamilier; modellspesifikk øktatferd må fortsatt knyttes til denne profilen, fremfor å lånes fra en nyere modell med kontinuerlig strømming.

Modellgrenser og kontroll av sluttproduktet

Den gjeldende GPT-4o Transcribe-spesifikasjonen oppgir et kontekstvindu på 16000 tokener, en maksimal utdatamengde på 2000 tokener og en kunnskapsgrense på 1. juni 2024. Disse tokengrensene er ikke en fast lydvarighet og erstatter ikke forberedelsesreglene for filtranskripsjon. For et lengre opptak beholder du kilderekkefølgen og relevant foregående kontekst og kontrollerer deretter at den ferdige teksten når slutten av hvert tiltenkte segment.

En nyttig ferdig transkripsjon kan bli søkbart intervjumateriale, en kilde til teknisk dokumentasjon eller ordlyden for en senere tekstingsarbeidsflyt. Kontroller usikkert ordforråd, mengder, tegnsetting, aksenter og overlappende tale mot opptaket. Hold gjenkjent tekst atskilt fra senere rettelser eller sammendrag, og behold kildekoblingen gjennom identifikatorer i den omkringliggende arbeidsflyten. Modellen gir en tekstregistrering; nøye forberedelse av inndata og gjennomgang av kilden avgjør om registreringen er egnet for neste bruk.