OpenAI: GPT-4o Mini Transcribe

GPT-4o Mini Transcribe é o modelo de conversão de fala em texto da OpenAI baseado em GPT-4o Mini. Aceita áudio com orientações textuais facultativas e produz texto reconhecido. É um modelo distinto de GPT-4o Transcribe, que utiliza GPT-4o, e do perfil GPT Transcribe mais recente, com os seus campos separados de palavras-chave e indicações multilingues. O resultado útil aqui é uma transcrição da fala original da gravação, preparada para pesquisa, revisão ou uma etapa posterior de processamento de conteúdo.

Preparar a gravação

O guia da OpenAI de transcrição de ficheiros aceita carregamentos de áudio até 25 MB. A referência atual do ponto de acesso enumera FLAC, MP3, MP4, MPEG, MPGA, M4A, OGG, WAV e WebM, com metadados suficientes de nome de ficheiro e tipo de conteúdo para identificar o formato áudio. Gravações maiores podem ser comprimidas ou divididas em partes de 25 MB ou menos. Preserve os limites das frases ao dividir e mantenha cada parte associada à gravação de origem e à posição, para que o texto possa depois ser montado na ordem correta.

Para notas de voz, mantenha uma transcrição identificável por gravação e verifique nomes ou números antes de utilizar o texto para criar tarefas. Para um tutorial falado, compare a redação reconhecida com as instruções originais antes de a editar para publicação. Orientações úteis de preparação identificam a língua falada e os termos que poderiam ser mal reconhecidos. Transcrever as palavras é a primeira etapa; uma interpretação, resumo ou tradução pode utilizar posteriormente a transcrição verificada.

Orientações do pedido de texto e uma única indicação de língua

As integrações GPT-4o Mini Transcribe existentes suportam um pedido de texto livre. A OpenAI descreve pedidos de texto para nomes, siglas, vocabulário específico da gravação, pontuação, maiúsculas, palavras de preenchimento e sistema de escrita preferido. A referência do ponto de acesso indica que o pedido de texto deve corresponder à língua do áudio e pode transmitir contexto de um segmento de áudio anterior. Inclua grafias relevantes ou uma descrição curta do tema, em vez de pedir que um pedido de texto de transcrição se comporte como uma instrução de conversação sem restrições.

A indicação estabelecida de língua deste modelo utiliza o campo singular language. A referência do fabricante documenta um código de língua de entrada ISO 639-1, como en. Os campos separados keywords e languages no plural são documentados para GPT Transcribe; não fazem parte deste perfil Mini. Para uma série de gravações, mantenha a definição pretendida de língua falada com cada entrada, em vez de a interpretar como pedido para traduzir o resultado.

Resultado JSON e probabilidades facultativas dos tokens

A referência atual do ponto de acesso documenta JSON como formato de resposta suportado de GPT-4o Mini Transcribe. A redação reconhecida aparece no campo text. Quando pedidos, os logaritmos das probabilidades dos tokens podem acompanhar a resposta JSON; esses valores descrevem as probabilidades dos tokens do modelo e podem ajudar a identificar material para revisão mais atenta. Não estabelecem que um nome, número ou frase corresponde ao som. Utilize a gravação para decidir se uma palavra duvidosa deve ser corrigida.

O perfil normal de transcrição Mini não fornece saída nativa SRT, VTT, tempos detalhados por palavra ou identificação de locutores através dessas especificações JSON. A OpenAI documenta modelos e formatos especializados para essas capacidades. Se o resultado pretendido for uma faixa de legendas, mantenha a transcrição revista disponível para um processo separado de sincronização, em vez de presumir que um resultado apenas de texto já contém limites de legendas.

Saída de ficheiros em streaming e modos documentados

O guia de conversão de fala em texto do fabricante indica explicitamente que as integrações GPT-4o Mini Transcribe existentes suportam streaming de ficheiros. Uma gravação concluída pode produzir texto parcial de transcrição seguido de um resultado final enquanto é processada. Mantenha a transcrição final como resultado concluído; o aparecimento de texto parcial não significa que o processo de ficheiros esteja continuamente a receber áudio de microfone em direto. A ficha do modelo enumera separadamente as famílias de pontos de acesso de transcrição e Realtime. Essas interfaces do fabricante não implicam que todos os campos de sessão de um modelo de transcrição diferente se apliquem aqui.

Contexto, capacidade de saída e verificações úteis

A especificação atual do modelo da OpenAI indica uma janela de contexto de 16 000 tokens, uma saída máxima de 2 000 tokens e conhecimentos atualizados até 1 de junho de 2024. São valores da especificação do modelo, não uma duração universal em minutos para uma gravação de áudio. A regra de tamanho do ficheiro e uma capacidade em tokens descrevem restrições diferentes. Para material extenso, prepare a gravação segundo o processo de ficheiros documentado, passe contexto relevante entre partes e verifique se o texto final inclui o fim da origem.

Um resultado Mini Transcribe útil preserva a redação e a sua relação com a gravação, mantendo quaisquer dados facultativos de probabilidade separados de correções editoriais. Reveja vocabulário desconhecido, sotaques, ruído de fundo, mudanças de língua e fala sobreposta, mantendo disponível o áudio original. Ao rever texto para melhorar a legibilidade, distinga essa versão editorial da transcrição reconhecida, para que utilizadores posteriores saibam que redação veio da gravação e qual foi alterada durante a preparação.