Deepgram: Nova-3

Nova-3 é o modelo de reconhecimento de fala de uso geral da Deepgram para converter áudio em texto. O produtor recomenda-o para reuniões, legendas de eventos, gravações com vários locutores e condições difíceis, como ruído ou microfones distantes, utilizando transcrição de áudio pré-gravado ou em streaming. O seu resultado útil é fala reconhecida com tempos e informação de confiança que permanece ligada ao áudio de origem.

Escolha o fluxo de língua

A língua predefinida documentada é o inglês. Um pedido monolingue seleciona a língua falada ou uma variante regional suportada. A tabela atual do modelo geral inclui variantes regionais do inglês, espanhol, francês, alemão, russo, português, japonês, italiano, neerlandês, árabe, escritas chinesas e muitas outras línguas, incluindo cazaque. Selecione entre os códigos suportados do produtor, em vez de assumir que qualquer nome de variante regional é aceite.

A definição multilingue é um fluxo separado de alternância entre línguas. A tabela atual de Nova-3 enumera dez línguas para esse fluxo: inglês, espanhol, francês, alemão, hindi, russo, português, japonês, italiano e neerlandês. Este conjunto não é idêntico à lista monolingue mais ampla. Para uma gravação que alterna entre línguas suportadas, prepare o modo multilingue em vez de forçar toda a conversa para uma definição monolingue sem relação. Preserve o que foi dito antes de preparar qualquer versão traduzida ou resumida.

Áudio gravado e preparação da transcrição

O fluxo de ficheiros da Deepgram aceita bytes de áudio carregados ou uma referência a um ficheiro de áudio. Guarde a transcrição devolvida quando o pedido terminar; o produtor não armazena transcrições para recuperação posterior. Os formatos e codificações de entrada comuns documentados incluem MP3, MP4, MP2, AAC, WAV, FLAC, PCM, M4A, Ogg, Opus e WebM. Preserve o formato real e a informação de canais com a gravação. Dê à gravação um identificador estável e mantenha o resultado associado à fonte correta e à respetiva informação de canais. Para uma reunião, reveja nomes de participantes e termos técnicos enquanto ouve o som original. Para uma palestra ou evento, conserve a sequência do áudio, para que uma legenda ou resultado de pesquisa posterior possa localizar a passagem relevante.

O guia de áudio pré-gravado do produtor indica um tamanho máximo de ficheiro de 2 GB e recomenda extrair a faixa de áudio de um ficheiro de vídeo grande. Também documenta um tempo limite de processamento de dez minutos para pedidos Nova. Esse limite diz respeito ao tempo de processamento do pedido, não a uma duração máxima de gravação de dez minutos. Um resultado útil inclui o final da gravação prevista; uma transcrição parcialmente conservada não deve ser tratada como o texto completo.

Leia as palavras, os tempos e a confiança

A resposta JSON documentada inclui alternativas de transcrição e palavras reconhecidas, com o tempo de início e fim de cada palavra em segundos desde o início do áudio e um valor de confiança. Para uma transcrição com vários locutores, a diarização opcional do produtor atribui uma etiqueta de locutor a cada palavra. A diarização de áudio pré-gravado também devolve confiança do locutor; a diarização em streaming devolve a etiqueta de locutor. Reveja essas etiquetas em relação às vozes da gravação. A confiança global da transcrição também é comunicada numa escala de 0 a 1. Quando é pedida formatação inteligente, o resultado pode incluir pontuação e maiúsculas em palavras com pontuação, juntamente com informação de parágrafos legíveis.

Utilize esses campos de acordo com o seu significado. O tempo de uma palavra localiza fala reconhecida, enquanto a confiança é a indicação de fiabilidade do modelo, não prova de que um nome ou quantidade difíceis foram ouvidos corretamente. Para preparar legendas, conserve os tempos junto de formulação revista e examine os limites em relação ao som. Para uma versão editorial legível, mantenha as alterações distinguíveis da transcrição reconhecida, em vez de substituir silenciosamente palavras incertas por uma história plausível.

Reconhecimento em streaming e segmentos finais

O fluxo de streaming de Nova devolve texto à medida que chega áudio, com resultados provisórios e finais. O indicador is_final distingue texto que pode ser revisto de um segmento finalizado. O indicador speech_final relaciona-se com a deteção do fim de um segmento falado. Mantenha estes sinais distintos do simples facto de receber uma transcrição não vazia e conserve os segmentos finais na sua ordem de áudio ao preparar o registo completo.

Nova-3 é ASR geral, em vez do modelo conversacional separado Flux com deteção de turnos nativa do modelo. Nova assinala a finalização da transcrição e os pontos finais da fala; Flux fornece os seus próprios eventos de estado de turnos de conversa. Escolha o fluxo de transcrição conforme o áudio já esteja gravado ou esteja a chegar em direto, utilizando a saída final real como artefacto a conservar.

Keyterms para o vocabulário que importa

O Keyterm Prompting documentado de Nova-3 suporta transcrição monolingue e multilingue e adapta o reconhecimento a termos importantes sem voltar a treinar o modelo. Forneça nomes, termos de produtos, siglas ou expressões de várias palavras relevantes que possam realmente ser pronunciados. O guia limita a entrada combinada de keyterms a 500 tokens e recomenda focar o vocabulário mais importante, em vez de acrescentar palavras comuns indiscriminadamente.

A sintaxe do produtor utiliza termos simples, com uma entrada keyterm separada para cada termo. Uma expressão de várias palavras mantém-se uma expressão única. Pesos ou intensificadores antigos de palavras-chave e a junção de termos separados com vírgulas, pontos e vírgulas ou quebras de linha não são equivalentes: a interface pode aceitá-los como um valor literal único sem fornecer o reforço pretendido. Utilize a capitalização correta para nomes e, depois, verifique a transcrição, porque o contexto do áudio e a formatação inteligente ainda podem alterar a forma escrita final.

Limites da família e resultados úteis

O perfil geral Nova-3 é distinto das opções com nomes separados Medical e Pharma. A orientação por vocabulário não o transforma noutra edição, e a cobertura linguística ou o comportamento de modelos especializados não devem ser assumidos para o modelo geral. Funcionalidades adicionais de processamento da transcrição são escolhas do fluxo de fala do produtor, não evidência de que o reconhecimento tenha produzido um resumo, tradução ou outro artefacto que nunca foi pedido.

Um entregável útil de Nova-3 pode ser uma transcrição pesquisável de reunião, formulação pronta para legendas com tempos de palavras ou um registo de conversa multilingue. Conserve o identificador do áudio, o fluxo de língua selecionado, o texto final e quaisquer campos úteis de confiança ou tempos. Verifique nomes pouco claros, números, vozes sobrepostas e mudanças de língua em relação à gravação original e mantenha a fala realmente reconhecida disponível para a etapa seguinte de processamento de conteúdo.