Fish Audio: Transcribe 1

Transcribe 1 é o modelo geral de conversão de voz em texto da Fish Audio para gravações curtas. Aceita um ficheiro de áudio e devolve as palavras reconhecidas em texto, juntamente com a duração da gravação, segmentos temporizados opcionais e informações sobre o idioma, quando conhecidas. Este modelo é útil para uma nota de voz curta, uma instrução falada, um excerto de uma gravação ou um clipe de áudio que necessite de uma representação textual legível.

Um exemplo de fluxo de trabalho com notas de voz mantém a gravação juntamente com a sua transcrição integral e um identificador do clipe original. Uma etapa posterior da aplicação pode pesquisar esse texto, organizar a nota ou elaborar um resumo, preservando a fonte falada. Para um comando, a transcrição fornece palavras reconhecidas à aplicação; qualquer ação constitui uma etapa separada de interpretação e execução. Para um excerto de entrevista, registe a posição do clipe no áudio completo para permitir conferir uma citação no local correto.

O produtor aceita WAV, MP3, AAC, incluindo M4A/MP4, FLAC e Ogg com Opus ou Vorbis. Para este modelo, as gravações de navegador em WebM devem ser convertidas para Ogg/Opus, MP3 ou WAV; Pro documenta suporte nativo de contentores adicionais. Forneça um ficheiro de áudio por pedido. O limite documentado por pedido do modelo base é de até 50 MiB, mantendo os ficheiros MP3 e Opus abaixo de 25 MiB. O tamanho do ficheiro e a duração da gravação são aspetos diferentes: um ficheiro comprimido pode caber no limite de envio e, ainda assim, demorar demasiado a processar.

Transcribe 1 foi concebido para gravações curtas. O produtor recomenda Pro para áudio com mais de alguns minutos; um pedido longo ao modelo base pode falhar se ultrapassar o limite de tempo de processamento. Ao preparar uma fonte mais longa para transcrição em clipes curtos, preserve a posição inicial de cada clipe e confirme que a transcrição devolvida cobre o clipe completo antes de combinar os resultados. Some o desvio original aos tempos locais dos segmentos para manter a navegação ligada à gravação completa. As orientações do modelo base não devem ser interpretadas como o limite separado de 60 minutos de Pro.

A resposta do produtor inclui text, duration e segments. A duração é expressa em segundos e a transcrição integral legível deve ser mantida como texto principal do clipe. As marcas temporais são opcionais: ignore_timestamps tem o valor predefinido true na API do produtor, enquanto false pede segmentos ao nível da palavra com texto e tempos de início e fim em segundos. Pedir alinhamento acrescenta tempo de processamento. Um array segments vazio pode refletir temporização omitida, ausência de fala ou alinhamento temporariamente indisponível, pelo que não deve ser automaticamente interpretado como uma transcrição integral vazia.

Os segmentos são geralmente palavras ou, em chinês e japonês, um ou alguns caracteres. O seu texto omite pontuação e pode normalizar um valor de forma diferente da transcrição integral; não é uma cópia carácter a carácter da resposta legível. Um segmento pode ter o mesmo tempo de início e de fim. Utilize os segmentos para encontrar uma posição na gravação ou preparar uma apresentação temporizada e utilize o texto integral quando a formulação e a pontuação forem importantes. Mantenha estas duas representações distintas no resultado produzido.

O idioma é detetado automaticamente, quer seja fornecida ou não uma indicação opcional de idioma. O produtor documenta códigos ISO 639-1 em minúsculas para essas indicações e devolve, quando conhecidos, um código de idioma para a lógica da aplicação e um nome de idioma para apresentação. A resposta indica um idioma, em vez de todos os idiomas de uma gravação com alternância linguística. Mantenha o texto original e os metadados de idioma disponíveis junto do resultado, em vez de tratar o pedido de transcrição como uma operação de tradução.

Para um fluxo de trabalho de legendagem, agrupe segmentos temporizados consecutivos em legendas legíveis, em vez de apresentar uma palavra de cada vez. Um resultado útil é um ficheiro SRT ou WebVTT ligado ao clipe original, com limites que respeitem as pausas e uma quantidade de texto no ecrã que seja fácil de ler. Verifique a existência de temporização em falta e assegure que o fim de cada legenda é posterior ao início. O agrupamento de legendas e a formatação de ficheiros são etapas da aplicação construídas a partir do alinhamento devolvido, e as opções de apresentação devem adequar-se ao leitor e ao público.

Os controlos documentados de Transcribe 1 são o áudio, uma indicação de idioma e a opção de marcas temporais. Os marcadores de intervenientes, turnos estruturados por interveniente, controlos de eventos emocionais e indicações do número de intervenientes de Pro são funcionalidades separadas; não fazem parte do contrato de resposta documentado deste modelo base. Escolha o resultado necessário antes do processamento: texto simples legível para uma nota ou texto juntamente com alinhamento para navegação na reprodução e legendas. Preservar o identificador do clipe, a transcrição e qualquer temporização disponível torna o resultado útil para a etapa seguinte da aplicação.