Fish Audio: Transcribe 1 Pro

Transcribe 1 Pro — модель преобразования речи в текст от Fish Audio для коротких клипов, разговоров нескольких говорящих и длинных записей. Она принимает записанный звук и возвращает расшифровку с необязательным таймингом и структурированными репликами говорящих. Её отличительные особенности — смены говорящих, отмеченные в тексте, и метки эмоций или голосовых событий, сохраняющие больше разговорной структуры записи, чем обычная последовательность слов.

Для интервью, встречи или подкаста храните весь разговор в одном файле, чтобы вновь вступающие говорящие могли сохранять одинаковые метки внутри ответа. Полезный материал для проверки — расшифровка, связанная с исходной записью, с отдельно показанными репликами и доступной временной меткой для проверки цитаты. Резюме или список действий — последующий шаг приложения: храните их отдельно от расшифровки, чтобы произнесённый источник оставался доступным для сравнения.

Производитель принимает записи до 60 минут и описывает обработку длинных файлов со сжатым звуком, например MP3, Opus или AAC. Поддерживаемые форматы включают WAV, MP3, AAC в M4A или MP4, FLAC, Ogg с Opus или Vorbis, WebM/Matroska и MOV. Для видеофайла используется первая звуковая дорожка. AIFF, CAF, WMA, AMR, AC-3 и необработанный PCM без заголовка не поддерживаются. На запрос передаётся один аудиофайл; результат приходит после расшифровки всей записи, а обработка длинной записи может занять несколько минут. Клипы короче примерно 0,08 секунды отклоняются.

Ответ производителя содержит полный текст, длительность записи в секундах и массив segments. Pro отмечает смены говорящих внутри текста метками, например <|speaker:0|> и <|speaker:1|>; метка относится к следующему за ней тексту до очередной метки. Это идентификаторы внутри одного ответа, а не проверенные имена или личности, которые можно сопоставлять между запросами. Если в расшифровке нет метки говорящего, руководство считает её результатом с одним говорящим. Сохраняйте текст до первой метки с первой репликой, а не отбрасывайте его.

Временные метки слов необязательны. В запросе производителя ignore_timestamps по умолчанию равен true; значение false запрашивает сегменты с текстом, временем начала и окончания в секундах. Сегмент обычно соответствует слову либо одному или нескольким символам в китайском и японском. Текст сегмента не содержит пунктуации, меток говорящих и событий и может нормализовать произнесённое значение иначе, чем полная расшифровка. У сегмента слова могут совпадать время начала и окончания. Пустой массив segments может означать, что временные метки не запрашивались, речь не найдена или тайминг был временно недоступен. Используйте полную расшифровку для читаемого текста, а сегменты — для выравнивания, не предполагая посимвольного совпадения двух строк.

Настройка diarize по умолчанию равна auto. Если запрошены временные метки и diarize не равен false, Pro также возвращает speaker_turns. Каждая реплика содержит метку говорящего, текст и время начала/окончания, сохраняя пунктуацию и оставленные метки событий без встроенной метки говорящего. Если тайминг слов недоступен, время реплик может быть приблизительным и охватывать всю запись; соседние реплики могут идти с промежутками или перекрываться. Отключение diarize удаляет структурированный список реплик, но оставляет метки говорящих в полном тексте. Известное число говорящих либо минимальное и максимальное число могут по возможности направлять диаризацию длинной записи. Точное число нельзя совмещать с границами числа, а подсказки о числе нельзя использовать при отключённом diarize.

Метки эмоций и голосовых событий появляются как текст в квадратных скобках, например [laughter], рядом с распознанной речью. Это выводы по аудио, а не слова, которые пользователь должен добавить перед расшифровкой. Настройка tag_audio_events в Pro по умолчанию равна true; отключение удаляет эти метки из расшифровки и текста реплик, не меняя тайминг. Отдельного поля эмоции или фиксированного набора эмоций нет. Сохраняйте аннотированную расшифровку, когда важно звучание замечания, и используйте версию без меток, когда последующему результату нужны только произнесённые слова.

Язык определяется автоматически. Необязательная подсказка ISO 639-1 в нижнем регистре не принуждает к переводу и не меняет расшифровку Pro. Если язык нельзя определить, возвращённый код языка может отражать подсказку без проверки по аудио. Производитель сообщает один язык, а не перечень всех языков в многоязычной записи. При подготовке архива с поиском храните исходную формулировку вместе с языковыми метаданными, особенно когда разные части разговора переключаются между языками.

Для субтитров группируйте последовательные слова с таймингом в читаемые блоки SRT или WebVTT вместо одного субтитра на слово. Разделяйте блоки около пауз и выбирайте их длину и время показа с учётом проигрывателя и аудитории. Границы реплик могут сохранять разных говорящих в отдельных блоках. Проверяйте пустой результат тайминга и блоки, у которых окончание должно быть позже начала. Форматирование субтитров, имена для анонимных меток говорящих и последующее резюме — материалы приложения, построенные из результата расшифровки.

Для практического процесса работы с записью заранее решите, нужна ли обычная читаемая расшифровка, аннотированные реплики разговора или субтитры с таймингом. Храните идентификатор аудио вместе с результатом, сохраняйте возвращённый полный текст, когда важны пунктуация и метки событий, и используйте структурированные временные поля для навигации. Возможности Pro для длинных записей и нескольких говорящих отличаются от общей модели Transcribe 1 для коротких записей; их лимиты и настройки не следует считать взаимозаменяемыми.