OpenAI: GPT Transcribe

GPT Transcribe er OpenAIs tale-til-tekst-modell for ferdige lydfiler, strømmede filtranskripsjoner og bekreftede lydinnlegg i Realtime-økter. Den tar imot lyd med valgfri tekstkontekst og returnerer gjenkjent tekst. Produsenten posisjonerer den for nøyaktig transkripsjon av innspilt tale på originalspråket, inkludert fagterminologi, flerspråklige opptak og veksling mellom språk. Et nyttig resultat er en transkripsjon som forblir knyttet til opptaket, med metadata om oppdagede språk når modellen kan gi en pålitelig prediksjon.

Klargjøring av et ferdig opptak

OpenAIs arbeidsflyt for filtranskripsjon godtar opplastinger på opptil 25 MB. Den nåværende endepunktreferansen oppgir inndataformatene FLAC, MP3, MP4, MPEG, MPGA, M4A, OGG, WAV og WebM og anbefaler nok filmetadata til å identifisere formatet, inkludert en passende filendelse og innholdstype. For et større opptak anbefaler veiledningen komprimering eller oppdeling i filer på 25 MB eller mindre. Unngå å kutte midt i en setning, fordi fjerning av omkringliggende tale kan redusere gjenkjenningsnøyaktigheten. Behold delene i rekkefølge og ta vare på plasseringen deres i originalopptaket.

For et møte, intervju eller en innspilt presentasjon legger du ved den faktiske lyden og angir temaet og terminologien som sannsynligvis blir brukt. Et nyttig resultat er den gjenkjente ordlyden fremfor en utledet oppsummering av diskusjonen. Behold opptaksidentifikatoren sammen med den returnerte teksten, slik at en person som kontrollerer et navn, tall eller usikkert uttrykk, kan gå tilbake til riktig kilde. Transkripsjonen kan deretter bli materiale for en separat oppsummerings-, oversettelses- eller redaksjonell arbeidsflyt.

Kontekst, nøkkelordhint og forventede språk

Produsenten skiller mellom tre typer veiledning. En ledetekst gir fri kontekst om opptakets tema eller situasjon. Nøkkelord angir ordrette ord eller uttrykk som forventes i talen. En languages-liste angir de forventede talespråkene. For en tospråklig produktdiskusjon beskriver du situasjonen i ledeteksten, oppgir relevante produktnavn som nøkkelord og angir de forventede språkene. Dette er gjenkjenningshint; de er ikke instruksjoner om å legge inn ord som ingen sa.

GPT Transcribe bruker flertallsfeltet languages fremfor det eldre entallsfeltet language; OpenAI sier at feltene ikke skal sendes sammen i samme forespørsel. Veiledningen godtar støttede ISO 639-1-koder, utvalgte ISO 639-3-koder og regionale språkkoder for kinesisk, mens ustøttede eller feilformede verdier avvises. Hvert nøkkelord må være på én linje og må ikke inneholde en vinkelparentes, vognretur eller et linjeskift. Et ugyldig nøkkelord eller en for lang ledetekst kan føre til at hele forespørselen avvises. Hold konteksten relevant og kontroller om navnene i hintene faktisk forekommer i lyden, fremfor å behandle hintlisten som transkripsjonen.

JSON-utdata og prediksjoner av oppdagede språk

Det dokumenterte filresultatet er JSON som inneholder transkripsjonen og oppdagede språk. Disse språkprediksjonene er modellens utdata, ikke en kopi av de oppgitte språkhintene. En tom språkliste er et gyldig resultat når modellen ikke kan gi en pålitelig prediksjon; det fastslår ikke at opptaket var stille eller at transkripsjonen mislyktes. Hold den gjenkjente teksten og språkmetadataene atskilt, slik at videre behandling kan bruke hver del ut fra dens betydning.

Strømming av en filtranskripsjon

En ferdig fil kan gi transkripsjonstekst trinnvis mens den behandles. OpenAI dokumenterer hendelsene transcript.text.delta for delvis tekst og transcript.text.done for hele filtranskripsjonen; den siste hendelsen inkluderer også oppdagede språk. Dette strømmer utdataene fra et opptak som allerede er levert. Det er nyttig for å vise fremdrift ved en lang opplasting, mens slutthendelsen fastslår teksten som skal beholdes som det fullførte resultatet.

Bekreftede lydinnlegg i Realtime-økter

GPT Transcribe har også en spesialisert Realtime-arbeidsflyt over WebSocket. Lyd legges til i inndatabufferen, og deretter bekrefter applikasjonen et lydinnlegg eksplisitt. Transkripsjonen begynner for dette bekreftede segmentet og kan sende delvise tekstoppdateringer før fullføringshendelsen, inkludert informasjon om oppdagede språk. Modellen bruker automatisk tidligere transkriberte innlegg som kontekst i denne produsentens øktflyt. Dette er forskjellig fra å sende direkteteksting kontinuerlig etter hvert som mikrofonlyden kommer inn; OpenAI angir GPT Live Transcribe for denne kontinuerlige arbeidsflyten.

For flere innlegg beholder du identifikatoren til inndataelementet sammen med den tilhørende transkripsjonen. OpenAI advarer om at fullføringshendelser fra ulike innlegg ikke nødvendigvis kommer i talerekkefølge, så knytt hvert sluttresultat til de bekreftede inndataene fremfor å ordne en samtale bare etter fullføringstid. Det nyttige resultatet er en ordnet transkripsjon satt sammen av de riktige sluttelementene, med foreløpig tekst behandlet som fremdrift fremfor en separat, fullført ytring.

Spesialiserte utdata og vesentlige begrensninger

Denne profilen gir ikke en universell kontrakt for undertekster, tidsstempler, oversettelse eller taleretiketter. OpenAIs migreringsveiledning skiller disse spesialiserte funksjonene: innebygde undertekstformater og ordtidsangivelser krever en kompatibel modell og et kompatibelt format, mens taleretiketter bruker GPT-4o Transcribe Diarize. GPT Transcribes filresultat er JSON fremfor en direkte erstatning for SRT-, VTT- eller utførlige tidsstempelsvar. Det nøyaktige modellkortet publiserer ikke et tallfestet kontekst- eller maksimalutdatabudsjett, så et tokenvindu for en chatmodell skal ikke antas for lydtranskripsjon.

Kontroller vanskelig ordforråd, tall, aksenter, bakgrunnsstøy og språkskifter mot opptaket. Kontroller at relevante hint forbedret gjenkjenningen uten å legge inn termer som ikke ble sagt, og at den endelige transkripsjonen inkluderer slutten av lyden. For et flerspråklig resultat bevarer du den uttalte ordlyden før du lager en oversatt versjon. Disse kontrollene gjør transkripsjonen nyttig som kildemateriale og holder samtidig kontekstuelle hint, oppdagede språk og den gjenkjente talen tydelig atskilt.