OpenAI: GPT-4o Transcribe

GPT-4o Transcribe é o modelo de conversão de fala em texto da OpenAI baseado em GPT-4o. A entrada é áudio com orientações textuais facultativas, e a saída é texto reconhecido. É distinto da edição GPT-4o Mini Transcribe e de GPT-4o Transcribe Diarize, o modelo especializado em identificação de locutores. Utilize este perfil para preparar um registo textual fiel de material falado, mantendo a gravação de origem disponível para revisão e trabalho editorial posterior.

Entrada de ficheiros e preparação de material longo

O guia de transcrição da OpenAI documenta carregamentos até 25 MB. A referência atual do ponto de acesso aceita FLAC, MP3, MP4, MPEG, MPGA, M4A, OGG, WAV e WebM e recomenda metadados de ficheiro que identifiquem o formato, incluindo um nome de ficheiro com extensão e um tipo de conteúdo adequado. Para uma gravação maior, compressão ou partes ordenadas de 25 MB ou menos seguem as orientações do fabricante para entradas mais longas. Evite dividir a meio de uma frase e conserve a posição de cada parte na gravação completa.

Para uma entrevista, associe cada ficheiro de entrada à gravação e ao excerto que cobre. Para uma apresentação técnica, prepare os nomes de produtos, siglas e vocabulário do domínio relevantes como contexto, depois verifique essas grafias face ao que o locutor efetivamente disse. Para uma explicação gravada com valores numéricos, reveja a transcrição juntamente com a origem antes de a transformar num procedimento escrito. O primeiro resultado pretendido é fala reconhecida em forma de texto; um relatório condensado ou documento traduzido pode ser preparado a partir desse texto numa etapa separada.

Pedidos de texto específicos da gravação e escolha da língua

O guia do fabricante inclui explicitamente GPT-4o Transcribe no suporte de pedidos de texto. Um pedido de texto pode fornecer grafias corretas, contexto de um segmento anterior e preferências de pontuação, maiúsculas, palavras de preenchimento ou sistema de escrita. A referência indica que deve corresponder à língua da gravação. Uma descrição curta e relevante do tema e vocabulário dá contexto útil à transcrição, sem tratar termos não pronunciados como saída obrigatória.

Este perfil suporta a indicação singular de língua language, documentada no formato ISO 639-1. Fornecer a língua efetiva de entrada pode ajudar o reconhecimento. Os campos mais recentes keywords e languages no plural de GPT Transcribe pertencem a esse modelo denominado separadamente e não devem ser presumidos para GPT-4o Transcribe. Mantenha a definição da língua ligada à fala que está a transcrever e preserve a redação original antes de qualquer tradução ou reescrita estilística posterior.

Formato do resultado, probabilidades e saídas especializadas

A referência atual do ponto de acesso documenta JSON como formato de resposta suportado de GPT-4o Transcribe. O resultado contém texto reconhecido, e logaritmos facultativos das probabilidades dos tokens podem ser pedidos com esse formato JSON. Os dados de probabilidade descrevem a seleção de tokens pelo modelo. Podem indicar os excertos que merecem exame, mas uma comparação com o áudio estabelece se a transcrição reproduz um nome, número ou frase difíceis.

O resultado JSON do perfil padrão não fornece formatos nativos de legendas, tempos detalhados por palavra ou atribuições de locutor. A OpenAI documenta outras escolhas de modelo e formato quando essas saídas são necessárias; GPT-4o Transcribe Diarize é a edição distinta de identificação de locutores. Para uma tarefa de legendagem, mantenha uma transcrição verificada para uma etapa adequada de sincronização. Para uma conversa, não invente nomes de locutores apenas porque um parágrafo da transcrição parece mudar de tema ou de voz.

Resultados em streaming de um ficheiro concluído

O guia da OpenAI de conversão de fala em texto indica que as integrações GPT-4o Transcribe existentes suportam streaming de ficheiros. A aplicação fornece primeiro a gravação, depois recebe texto de transcrição à medida que essa gravação é processada e conserva o resultado concluído. Isto transmite a transcrição de uma gravação concluída, em vez de aceitar áudio do microfone à medida que chega. A ficha exata do modelo enumera também as famílias de pontos de acesso de transcrição e Realtime; o comportamento de sessão específico do modelo deve permanecer associado a este perfil, em vez de ser importado de um modelo mais recente com streaming contínuo.

Limites do modelo e verificação do resultado final

A especificação atual de GPT-4o Transcribe 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. Esses limites de tokens não são uma duração fixa de áudio nem substituem as regras de preparação da transcrição de ficheiros. Para uma gravação extensa, mantenha a ordem da origem e o contexto anterior relevante, depois verifique se o texto concluído chega ao fim de cada segmento pretendido.

Uma transcrição final útil pode tornar-se material de entrevista pesquisável, uma origem para documentação técnica ou o texto de um processo posterior de legendagem. Reveja vocabulário incerto, quantidades, pontuação, sotaques e fala sobreposta face à gravação. Mantenha o texto reconhecido distinto de correções ou resumos posteriores e conserve a ligação à origem através de identificadores no processo de trabalho envolvente. O modelo fornece um registo textual; uma preparação cuidada da entrada e a revisão da origem determinam se esse registo é adequado à utilização seguinte.