gpt-4o-transcribe-diarize

GPT-4o Transcribe Diarize é o modelo de reconhecimento automático de fala da OpenAI com diarização de locutores integrada. Associa segmentos de áudio transcritos a diferentes locutores numa conversa. O resultado útil é uma transcrição organizada por locutor e tempo, em vez de apenas um bloco contínuo de palavras. Destina-se a fala gravada que precisa de etiquetas de locutor, como uma reunião, entrevista ou discussão com várias pessoas.

Preparar a gravação concluída

Forneça a gravação que deve ser transcrita. O processo documentado de ficheiros aceita MP3, MP4, MPEG, MPGA, M4A, WAV e WebM, com um limite de tamanho de ficheiro de 25 MB. Mantenha a gravação de origem disponível para que um turno de fala, nome ou frase pouco clara possa ser verificado face ao áudio efetivo.

Para uma reunião, conserve a sequência da conversa, em vez de cortar as pausas curtas que ajudam a distinguir turnos. Para uma entrevista, mantenha a pergunta e a resposta juntas quando a tarefa precisar da sua relação. A preparação do áudio deve tornar a fala audível sem remover informação importante para o resultado identificado por locutor.

Este é um processo de transcrição de ficheiros. Processar uma gravação concluída e reconhecer um fluxo de áudio que ainda está a chegar são tarefas diferentes; a identificação de locutores do modelo não é suportada em sessões de transcrição Realtime.

Pedir uma transcrição identificada por locutor

O formato de resultado diarized_json devolve segmentos com etiquetas de identidade do locutor e tempos de início e fim. Cada segmento contém também o respetivo texto transcrito. Mantenha esses campos juntos para que as palavras possam ser relacionadas com a parte relevante da gravação.

Para uma transcrição útil de reunião, conserve a sequência dos segmentos e apresente as palavras de cada locutor com os respetivos tempos. Uma tarefa posterior pode utilizar essa transcrição para preparar uma ata ou ações a realizar, mas a diarização, por si só, não decide o que a reunião acordou nem gera um resumo verificado.

As etiquetas de locutor descrevem o agrupamento da fala feito pelo modelo. Examine transições em que as pessoas se interrompem, falam brevemente ou ao mesmo tempo. Um resultado bem estruturado é útil para navegação e revisão, mas uma atribuição específica pode ainda exigir a audição do áudio original.

Referências de locutores conhecidos

O processo documentado pode aceitar até quatro referências de locutores com nome. Cada referência é um excerto curto de áudio de 2–10 segundos num formato suportado pelo carregamento principal. Os nomes e as referências são fornecidos juntos para que os segmentos possam ser associados a locutores conhecidos.

Prepare uma referência que contenha claramente o locutor pretendido e mantenha o seu nome consistente com as etiquetas pretendidas da transcrição. Para uma entrevista, uma referência da pessoa que a conduz pode ajudar a organizar o resultado identificado por locutor sem transformar cada participante numa etiqueta anónima. A referência é uma entrada para atribuição; não é uma operação geral de clonagem de voz nem prova da identidade de uma pessoa.

Não confunda dar nome a um locutor com editar as palavras que foram ditas. A saída útil continua a precisar de preservar o conteúdo da gravação e a ordem efetiva dos turnos.

Divisão em partes e limites do modelo

Para áudio com mais de 30 segundos, o fabricante exige uma estratégia de divisão em partes, automática ou com uma configuração de deteção de atividade vocal. Esse requisito não é uma duração máxima de gravação. Descreve como a entrada mais longa é dividida para processamento.

A ficha do modelo indica uma janela de contexto de 16 000 tokens e um máximo de 2 000 tokens de saída. São limites de tokens do modelo, distintos do limite de carregamento de 25 MB do processo de ficheiros e do limiar de divisão. Não devem ser convertidos num número inventado de minutos aplicável a todas as gravações.

Mantenha os tempos e a identidade dos segmentos ao montar ou examinar uma transcrição mais longa. Se uma gravação tiver sido dividida antes do envio, conserve a relação de cada parte com o áudio original, para que um tempo local não seja confundido com a sua posição na conversa completa.

Transmitir segmentos finalizados em streaming

O processo de transcrição de ficheiros pode transmitir texto em streaming enquanto a gravação é processada. Com streaming identificado por locutor, os segmentos concluídos produzem eventos de segmento. Os incrementos de texto incluem um identificador de segmento, mas não contêm atribuições parciais de locutor; um locutor é atribuído quando o segmento é finalizado.

Esta distinção é importante para apresentação. Mostre texto provisório e um turno de fala finalizado como estados diferentes, em vez de associar uma etiqueta incerta de locutor antes de o modelo concluir o segmento. Conserve o resultado concluído quando a transcrição for necessária para edição ou análise posteriores.

Limites do modelo e da saída

Este perfil é o modelo de diarização, distinto da transcrição GPT-4o normal, da transcrição Mini, da síntese de fala e dos modelos de conversação em direto. Não suporta pedidos de texto para orientar a transcrição; mantenha qualquer revisão ou correção terminológica como uma etapa separada verificada face ao áudio original. A interface do fabricante transcreve áudio gravado para texto. Não gera uma resposta de áudio nem traduz uma gravação através do processo separado de tradução de áudio.

Utilize-o para transcrições que precisam tanto do conteúdo como da estrutura dos locutores. Verifique nomes, termos técnicos, números, limites de turnos e atribuições face à gravação. Conserve o áudio, o formato de resultado escolhido, as referências e a transcrição concluída, para que uma correção possa incidir numa frase concreta ou atribuição de locutor.