Fish Audio: Transcribe 1 Pro

Transcribe 1 Pro to model zamiany mowy na tekst firmy Fish Audio do krótkich klipów, rozmów z wieloma mówcami i długich nagrań. Przyjmuje nagrany dźwięk i zwraca transkrypcję, z opcjonalnym czasowaniem i uporządkowanymi wypowiedziami mówców. Wyróżniają go zmiany mówcy oznaczone w tekście i wskazówki dotyczące emocji lub zdarzeń głosowych, zachowujące więcej struktury rozmowy niż zwykła sekwencja słów.

W przypadku wywiadu, spotkania lub podcastu zachowaj całą rozmowę w jednym pliku, aby powracający mówcy mogli utrzymać spójne oznaczenia w obrębie odpowiedzi. Przydatnym materiałem do przeglądu jest transkrypcja powiązana z oryginalnym nagraniem, z osobno pokazanymi wypowiedziami i znacznikiem czasu do sprawdzenia cytatu. Podsumowanie lub lista działań to późniejszy krok aplikacji: zachowaj je osobno od transkrypcji, aby oryginalna treść wypowiedzi pozostała dostępna do porównania.

Producent przyjmuje nagrania do 60 minut i opisuje przetwarzanie długich plików ze skompresowanym dźwiękiem, takim jak MP3, Opus lub AAC. Obsługiwane formaty obejmują WAV, MP3, AAC w M4A lub MP4, FLAC, Ogg z Opus lub Vorbis, WebM/Matroska i MOV. W pliku wideo używa pierwszej ścieżki dźwiękowej. AIFF, CAF, WMA, AMR, AC-3 i surowy PCM bez nagłówka nie są obsługiwane. Na żądanie dostarcza się jeden plik audio; wynik przychodzi po transkrypcji całego nagrania, a przetwarzanie długiego nagrania może potrwać kilka minut. Klipy krótsze niż około 0,08 sekundy są odrzucane.

Odpowiedź producenta zawiera pełny tekst, czas trwania nagrania w sekundach i tablicę segments. Pro oznacza zmiany mówcy w tekście etykietami takimi jak <|speaker:0|> i <|speaker:1|>; etykieta dotyczy następującego po niej tekstu aż do kolejnego znacznika. Są to identyfikatory w obrębie jednej odpowiedzi, a nie zweryfikowane imiona ani tożsamości możliwe do dopasowania między żądaniami. Jeśli transkrypcja nie ma znacznika mówcy, przewodnik traktuje ją jako wynik dla jednego mówcy. Zachowaj tekst przed pierwszym znacznikiem w pierwszej wypowiedzi, zamiast go odrzucać.

Znaczniki czasu na poziomie słów są opcjonalne. W żądaniu producenta ignore_timestamps ma domyślnie wartość true; ustawienie false prosi o segmenty z tekstem oraz czasem początku i końca w sekundach. Segment jest zazwyczaj słowem albo jednym lub kilkoma znakami w języku chińskim i japońskim. Tekst segmentu pomija interpunkcję, znaczniki mówców i oznaczenia zdarzeń oraz może normalizować wypowiedzianą wartość inaczej niż pełna transkrypcja. Segment słowa może mieć ten sam czas początku i końca. Pusta tablica segments może oznaczać, że nie zażądano znaczników czasu, nie znaleziono mowy lub czasowanie było chwilowo niedostępne. Używaj pełnej transkrypcji do czytelnego zapisu, a segmentów do wyrównania czasowego, zamiast zakładać zgodność obu ciągów znak po znaku.

Ustawienie diarize ma domyślnie wartość auto. Gdy zażądano znaczników czasu i diarize nie jest false, Pro zwraca także speaker_turns. Każda wypowiedź zawiera etykietę mówcy, tekst i czas początku oraz końca, zachowując interpunkcję i pozostawione oznaczenia bez znacznika mówcy wewnątrz tekstu. Jeśli czasowanie słów jest niedostępne, czasy wypowiedzi mogą być przybliżone i obejmować całe nagranie; sąsiednie wypowiedzi nie muszą być ciągłe ani rozłączne czasowo. Wyłączenie diarize usuwa uporządkowaną listę wypowiedzi, ale pozostawia znaczniki mówców w pełnym tekście. Znana liczba mówców albo minimalna i maksymalna liczba mogą pomóc w rozróżnianiu mówców w dłuższych nagraniach, bez gwarancji wyniku. Dokładnej liczby mówców nie można łączyć z jej minimalną ani maksymalną wartością, a wskazówek dotyczących liczby nie można używać przy wyłączonym diarize.

Oznaczenia emocji i zdarzeń głosowych pojawiają się jako tekst w nawiasach kwadratowych, na przykład [laughter], obok rozpoznanej mowy. Są to wnioski z dźwięku, a nie słowa, które użytkownik musi dodać przed transkrypcją. Ustawienie tag_audio_events w Pro ma domyślnie wartość true; jego wyłączenie usuwa te oznaczenia z transkrypcji i tekstu wypowiedzi bez zmiany czasowania. Nie ma osobnego pola emocji ani stałej listy wartości emocji. Zachowaj transkrypcję z oznaczeniami, gdy sposób wypowiedzenia uwagi ma znaczenie, a używaj wersji bez nich, gdy dalszy rezultat wymaga tylko wypowiedzianych słów.

Język jest wykrywany automatycznie. Opcjonalna wskazówka ISO 639-1 zapisana małymi literami nie wymusza tłumaczenia ani nie zmienia transkrypcji Pro. Jeśli nie da się ustalić języka, zwrócony kod języka może odzwierciedlać wskazówkę bez zweryfikowania jej względem dźwięku. Producent raportuje jeden język, a nie wykaz wszystkich języków w nagraniu mieszanym. Przygotowując archiwum do przeszukiwania, przechowuj oryginalne sformułowania wraz z metadanymi języka, szczególnie gdy różne części rozmowy przechodzą między językami.

W przypadku napisów grupuj kolejne słowa ze znacznikami czasu w czytelne jednostki SRT lub WebVTT, zamiast tworzyć osobny napis dla każdego słowa. Rozdzielaj jednostki przy pauzach i dobieraj długość oraz czas wyświetlania do odtwarzacza i odbiorców. Granice wypowiedzi mogą utrzymywać różnych mówców w osobnych jednostkach. Sprawdzaj pusty wynik czasowania oraz jednostki, których koniec musi być późniejszy niż początek. Formatowanie napisów, nadawanie nazw anonimowym etykietom mówców i późniejsze podsumowania to rezultaty aplikacji zbudowane z wyniku transkrypcji.

W praktycznym procesie pracy z nagraniem zdecyduj przed transkrypcją, czy potrzebujesz zwykłego czytelnego tekstu, oznaczonych wypowiedzi rozmowy czy czasowanych napisów. Zachowaj identyfikator dźwięku z wynikiem, pozostaw pełny zwrócony tekst, gdy interpunkcja i oznaczenia mają znaczenie, oraz używaj uporządkowanych pól czasowania do nawigacji. Możliwości Pro dotyczące długich nagrań i wielu mówców są odrębne od ogólnego modelu Transcribe 1 do krótkich nagrań; ich limitów i ustawień nie należy traktować jako wymiennych.