Meta: Muse Voice Transcribe 1.0

Muse Voice Transcribe 1.0 é o modelo de perceção de áudio da Meta para transcrever fala, detetar os limites dos enunciados e atribuir turnos aos locutores. Pertence à família de modelos Muse Spark e combina reconhecimento, diarização e deteção do fim da fala no próprio modelo. A saída é texto reconhecido, acompanhado da informação temporal e dos locutores disponível no modo selecionado.

O modelo processa o áudio em blocos de 80 milissegundos e decide quando continuar a escutar ou emitir texto. O seu atraso adaptativo permite-lhe aguardar áudio adicional quando é mais difícil reconhecer uma palavra. Assim, produz texto parcial à medida que a fala chega, seguido dos resultados de transcrição concluídos. Trate a hipótese parcial e o turno concluído como etapas distintas da experiência de escuta.

Escolha entre três modos. Push-to-talk é o modo predefinido para um único enunciado controlado, como uma pergunta por voz ou uma passagem curta ditada. Endpointing permite que o modelo detete os limites dos turnos de fala e devolva uma transcrição concluída por segmento detetado. Diarization atribui a fala reconhecida a identificadores de locutor e destina-se a gravações com vários locutores, em vez de privilegiar a alternância mais rápida entre turnos de comandos de voz.

Para um excerto gravado, o fluxo de transcrição de ficheiros devolve uma transcrição completa num único pedido. O resultado predefinido é JSON com a transcrição e a duração do áudio, incluindo um array turns nos modos endpointing e diarization. Cada turno pode conter um identificador, início e fim em milissegundos e o respetivo texto reconhecido. Os identificadores de locutor estão presentes no modo diarization. Push-to-talk produz a transcrição completa sem turnos detetados nesse array. A interface do fabricante para ficheiros gravados também pode devolver texto simples ou um fluxo de eventos de transcrição. O texto simples mantém os turnos detetados em linhas separadas e pode incluir identificadores de locutor; um fluxo de eventos termina após o último evento, sem um resumo JSON separado. O seu modo parcial delta devolve texto incremental, enquanto o evento de transcrição final contém a redação completa.

Prepare um ficheiro RIFF/WAVE com áudio PCM mono de números inteiros de 16 bits, a 16 ou 24 kHz. A frequência nativa do modelo é 24 kHz, e a interface também aceita 16 kHz. Converta outros contentores ou codificações para esse formato WAV suportado antes de fornecer uma gravação. O perfil de transcrição de ficheiros permite áudio com duração até 10 minutos e um corpo de pedido total até 32 MB. Mantenha a gravação original e qualquer conversão associadas à transcrição devolvida para uma posterior revisão por escuta.

O fluxo de áudio em direto utiliza PCM mono em bruto, com sinal, de 16 bits e em little-endian, com áudio a 16 ou 24 kHz enviado aproximadamente ao ritmo real. A duração documentada da sessão é de 60 minutos. A Meta descreve entrada de áudio nativa superior a uma hora; os limites documentados para ficheiros e sessões em direto continuam a ser limites distintos das respetivas interfaces. Selecione o fluxo de ficheiro gravado ou de áudio em direto consoante o áudio já esteja completo ou ainda esteja a ser captado, e mantenha os resultados de sessões separadas associados aos respetivos segmentos de entrada.

Muse Voice Transcribe é treinado em mais de 70 idiomas, enquanto a interface de reconhecimento documentada enumera 25 idiomas suportados. Estes incluem inglês, francês, alemão, espanhol, árabe, chinês mandarim, hindi, japonês, coreano, italiano e português. Reconhece a alternância entre idiomas dentro de uma frase ou entre frases. Uma indicação de idioma pode nomear os idiomas esperados no áudio, mas orienta o reconhecimento em vez de obrigar a transcrição a ficar num único idioma.

As indicações de vocabulário ajudam com termos de produtos, siglas, nomes ou locais importantes numa gravação. Forneça as palavras e grafias reais que espera ouvir. A lista de palavras-chave favorece o seu reconhecimento sem garantir uma grafia exata, pelo que deve conferir os termos decisivos com o áudio. As indicações de idioma e as palavras-chave são selecionadas no início da transcrição; mantenha-as adequadas à gravação, em vez de alterar o seu significado durante uma sessão.

O modelo suporta diarização de conversas com mais de 20 locutores. Rótulos como A e B identificam locutores dentro de uma transcrição. Não são nomes verificados e não estabelecem que um rótulo corresponde à mesma pessoa noutra sessão. Numa tarefa original de análise de uma reunião, peça turnos atribuídos a locutores, conserve a gravação e utilize os rótulos para organizar a discussão antes de atribuir nomes reais aos participantes através do fluxo de trabalho envolvente.

As transcrições parciais em direto podem mudar à medida que chega mais fala. No modo cumulativo, cada parcial substitui a hipótese anterior, em vez de acrescentar outra cópia. Um fim de fala detetado assinala um limite, enquanto o resultado do turno concluído fornece o texto final e pode diferir da última parcial. Mantenha os turnos sobrepostos associados aos respetivos identificadores e processe os resultados concluídos antes de considerar uma transcrição terminada. Quando a entrada em direto terminar, sinalize o fim da entrada e continue a receber até o produtor terminar de enviar os resultados pendentes. Fechar a ligação de imediato pode descartar esses resultados; um limite de fala detetado termina um turno, em vez de toda a sessão.

A informação temporal é fornecida ao nível do turno. Este perfil não fornece marcas temporais ao nível da palavra nem pontuações de confiança, e o progresso do processamento do áudio não é uma marca temporal de uma palavra específica. A deteção de eventos sonoros, a deteção de emoções e a reformatação da transcrição também ficam fora do perfil de saída documentado. Utilize os intervalos dos turnos devolvidos para uma cronologia dos locutores ou uma revisão ao nível do segmento, e conserve as palavras reconhecidas se uma etapa de edição separada produzir posteriormente notas mais claras.

Entre os resultados úteis contam-se uma passagem ditada concluída, a transcrição de uma pergunta por voz, uma conversa atribuída a locutores ou uma cronologia dos enunciados. Compare nomes, números e termos técnicos com a gravação original, preserve as associações de modo e tempo e mantenha os turnos completos disponíveis para revisão. A transcrição estabelece o que foi reconhecido no áudio; responder a uma pergunta falada, traduzi-la ou transformá-la em notas de reunião pertence a uma etapa posterior da aplicação.