Fish Audio: Transcribe 1 Pro

Transcribe 1 Pro é o modelo de conversão de fala em texto da Fish Audio para excertos curtos, conversas com vários locutores e gravações longas. Recebe áudio gravado e devolve uma transcrição, com tempos opcionais e turnos de fala estruturados. As suas características distintivas são mudanças de locutor assinaladas no texto e indícios de emoção ou eventos vocais, que preservam mais estrutura conversacional da gravação do que uma sequência simples de palavras.

Para uma entrevista, reunião ou podcast, mantenha a conversa completa num ficheiro, para que locutores que voltam a intervir possam conservar etiquetas consistentes dentro da resposta. Um artefacto útil de revisão é uma transcrição ligada à gravação original, com turnos apresentados separadamente e um carimbo temporal disponível para verificar uma citação. Um resumo ou lista de ações é uma etapa posterior da aplicação: mantenha-o separado da transcrição para que a fonte falada continue disponível para comparação.

O produtor aceita gravações de até 60 minutos e descreve o processamento de ficheiros longos com áudio comprimido, como MP3, Opus ou AAC. Os formatos suportados incluem WAV, MP3, AAC em M4A ou MP4, FLAC, Ogg com Opus ou Vorbis, WebM/Matroska e MOV. Para um ficheiro de vídeo, utiliza a primeira faixa de áudio. AIFF, CAF, WMA, AMR, AC-3 e PCM bruto sem cabeçalho não são suportados. É fornecido um ficheiro de áudio por pedido; o resultado chega após a transcrição da gravação inteira, e uma gravação longa pode demorar vários minutos. Excertos com menos de cerca de 0,08 segundos são rejeitados.

A resposta do produtor contém o texto completo, a duração da gravação em segundos e um array segments. Pro assinala mudanças de locutor dentro do texto com etiquetas como <|speaker:0|> e <|speaker:1|>; uma etiqueta aplica-se ao texto seguinte até ao próximo marcador. Estes são identificadores dentro de uma resposta, não nomes ou identidades verificados que possam ser associados entre pedidos. Se a transcrição não tiver marcador de locutor, o guia trata-a como resultado de um único locutor. Mantenha qualquer texto anterior ao primeiro marcador no primeiro turno, em vez de o descartar.

Os carimbos temporais ao nível da palavra são opcionais. No pedido ao produtor, ignore_timestamps tem true como predefinição; defini-lo como false pede segmentos com text e tempos start e end em segundos. Um segmento é geralmente uma palavra, ou um carácter ou alguns em chinês e japonês. O texto dos segmentos omite pontuação, marcadores de locutor e indícios de eventos e pode normalizar um valor falado de forma diferente da transcrição completa. Um segmento de palavra pode ter o mesmo tempo start e end. Um array segments vazio pode significar que não foram pedidos carimbos temporais, que não foi encontrada fala ou que os tempos estavam temporariamente indisponíveis. Utilize a transcrição completa para formulação legível e os segmentos para alinhamento, em vez de assumir que ambas as cadeias coincidem carácter a carácter.

A definição diarize tem auto como predefinição. Quando são pedidos carimbos temporais e diarize não é false, Pro também devolve speaker_turns. Cada turno contém a etiqueta de locutor, texto e tempos start/end, preservando pontuação e indícios conservados sem o marcador de locutor dentro do texto. Se os tempos de palavras não estiverem disponíveis, os tempos dos turnos podem ser aproximados e abranger a gravação inteira; turnos adjacentes não são necessariamente contíguos nem isentos de sobreposição. Desativar diarize remove a lista estruturada de turnos, mas mantém os marcadores de locutor no texto completo. Uma contagem conhecida de locutores, ou contagens mínima e máxima, pode orientar a diarização de gravações mais longas na medida do possível. A contagem exata não pode ser combinada com os limites mínimo e máximo, e as indicações de contagem não podem ser utilizadas com diarize desativado.

Os indícios de emoção e eventos vocais aparecem como texto entre parênteses retos, por exemplo [laughter], junto da fala reconhecida. São inferências a partir do áudio, não palavras que um utilizador precise de acrescentar antes da transcrição. A definição tag_audio_events de Pro tem true como predefinição; desativá-la remove estes indícios da transcrição e do texto dos turnos sem alterar os tempos. Não existe um campo separado de emoção nem uma enumeração fixa de emoções. Preserve a transcrição anotada quando a forma como soa uma observação importa e utilize uma versão sem indícios quando o artefacto posterior precisa apenas das palavras pronunciadas.

A língua é detetada automaticamente. Uma indicação opcional ISO 639-1 em minúsculas não força tradução nem altera a transcrição de Pro. Se não for possível determinar a língua, o código de língua devolvido pode refletir a indicação sem a verificar em relação ao áudio. O produtor comunica uma língua, em vez de um inventário de todas as línguas de uma gravação multilingue. Mantenha a formulação original e os metadados de língua juntos ao preparar um arquivo pesquisável, sobretudo quando diferentes partes de uma conversa alternam de língua.

Para legendas, agrupe palavras consecutivas com tempos em entradas SRT ou WebVTT legíveis, em vez de produzir uma legenda por palavra. Separe entradas em torno de pausas e escolha o seu comprimento e tempo de apresentação de acordo com o leitor multimédia e o público. Os limites de turnos de fala podem manter locutores diferentes em entradas separadas. Verifique se o resultado de tempos está vazio e assegure que o fim de cada entrada é posterior ao início. A formatação de legendas, os nomes para etiquetas anónimas de locutor e qualquer resumo posterior são artefactos da aplicação construídos a partir do resultado da transcrição.

Num fluxo prático de gravações, decida antes da transcrição se precisa de uma transcrição simples e legível, turnos de conversa anotados ou legendas com tempos. Mantenha o identificador do áudio com o resultado, conserve o texto completo devolvido quando pontuação e indícios importam e utilize os campos estruturados de tempos para navegação. As capacidades de Pro para gravações longas e vários locutores são distintas do modelo geral Transcribe 1 para gravações curtas; os seus limites e controlos não devem ser tratados como intercambiáveis.