Fish Audio: Transcribe 1 Pro

Transcribe 1 Pro je model prevodu reči na text od Fish Audio pre krátke klipy, rozhovory viacerých hovoriacich a dlhé nahrávky. Prijíma nahratý zvuk a vracia prepis s voliteľným časovaním a štruktúrovanými replikami hovoriacich. Jeho osobitnými vlastnosťami sú zmeny hovoriaceho označené v texte a značky emócií či hlasových prejavov, ktoré zachovávajú viac z konverzačnej štruktúry nahrávky než jednoduchá postupnosť slov.

Pri rozhovore, stretnutí alebo podcaste ponechajte celú konverzáciu v jednom súbore, aby sa opakovane vystupujúcim hovoriacim mohli v rámci odpovede zachovať konzistentné označenia. Užitočným výstupom na kontrolu je prepis prepojený s pôvodnou nahrávkou, so samostatne zobrazenými replikami a dostupnou časovou značkou na overenie citácie. Zhrnutie alebo zoznam úloh je následný krok aplikácie: uchovajte ho oddelene od prepisu, aby hovorený zdroj zostal dostupný na porovnanie.

Výrobca prijíma nahrávky do 60 minút a opisuje spracovanie dlhých súborov s komprimovaným zvukom, napríklad MP3, Opus alebo AAC. Podporované formáty zahŕňajú WAV, MP3, AAC v M4A alebo MP4, FLAC, Ogg s Opus alebo Vorbis, WebM/Matroska a MOV. Pri videosúbore používa prvú zvukovú stopu. AIFF, CAF, WMA, AMR, AC-3 a surové PCM bez hlavičky nie sú podporované. Na požiadavku sa dodáva jeden zvukový súbor; výsledok príde po prepise celej nahrávky a spracovanie dlhej nahrávky môže trvať niekoľko minút. Klipy kratšie než približne 0,08 sekundy sa odmietajú.

Odpoveď výrobcu obsahuje celý text, dĺžku nahrávky v sekundách a pole segments. Pro označuje zmeny hovoriaceho priamo v texte značkami, ako sú <|speaker:0|> a <|speaker:1|>; označenie platí pre nasledujúci text až do ďalšej značky. Ide o identifikátory v rámci jednej odpovede, nie overené mená alebo identity, ktoré možno spájať medzi požiadavkami. Ak prepis nemá značku hovoriaceho, návod ho považuje za výsledok s jedným hovoriacim. Text pred prvou značkou ponechajte pri prvej replike namiesto jeho zahodenia.

Časové značky jednotlivých slov sú voliteľné. V požiadavke výrobcu má ignore_timestamps predvolenú hodnotu true; nastavenie false žiada segmenty s textom a časmi začiatku a konca v sekundách. Segment je spravidla slovo alebo jeden či niekoľko znakov v čínštine a japončine. Text segmentu vynecháva interpunkciu, značky hovoriacich a hlasových prejavov a môže normalizovať vyslovenú hodnotu inak než úplný prepis. Segment slova môže mať rovnaký čas začiatku aj konca. Prázdne pole segments môže znamenať, že časové značky neboli vyžiadané, nenašla sa reč alebo bolo časovanie dočasne nedostupné. Na čitateľné znenie použite úplný prepis a na zarovnanie segmenty namiesto predpokladu, že oba reťazce sa zhodujú znak po znaku.

Nastavenie diarize má predvolenú hodnotu auto. Keď sú vyžiadané časové značky a diarize nie je false, Pro vracia aj speaker_turns. Každá replika obsahuje označenie hovoriaceho, text a časy začiatku/konca, pričom zachováva interpunkciu a ponechané značky prejavov bez vloženej značky hovoriaceho. Ak časovanie slov nie je dostupné, časy replík môžu byť približné a pokrývať celú nahrávku; susedné repliky nemusia na seba nadväzovať ani byť bez prekrytia. Vypnutie diarize odstráni štruktúrovaný zoznam replík, ale značky hovoriacich ponechá v úplnom texte. Známy počet hovoriacich alebo minimálny a maximálny počet môžu podľa možností usmerniť diarizáciu dlhšej nahrávky. Presný počet nemožno kombinovať s hranicami počtu a nápovedy o počte nemožno použiť pri vypnutom diarize.

Značky emócií a hlasových prejavov sa zobrazujú ako text v hranatých zátvorkách, napríklad [laughter], spolu s rozpoznanou rečou. Ide o odhady zo zvuku, nie slová, ktoré má používateľ pridať pred prepisom. Nastavenie tag_audio_events v Pro má predvolenú hodnotu true; jeho vypnutie odstráni tieto značky z prepisu a textu replík bez zmeny časovania. Neexistuje samostatné pole emócie ani pevne daný zoznam emócií. Keď záleží na tom, ako poznámka znie, zachovajte anotovaný prepis; ak následný výstup potrebuje iba vyslovené slová, použite verziu bez značiek prejavov.

Jazyk sa zisťuje automaticky. Voliteľná nápoveda ISO 639-1 malými písmenami nevynúti preklad ani nezmení prepis Pro. Ak jazyk nemožno určiť, vrátený kód jazyka môže odrážať nápovedu bez jej overenia voči zvuku. Výrobca uvádza jeden jazyk, nie zoznam všetkých jazykov v zmiešanej nahrávke. Pri príprave prehľadávateľného archívu uchovajte pôvodné znenie a jazykové metadáta spolu, najmä ak sa v rôznych častiach konverzácie mení jazyk.

Pre titulky zoskupte po sebe idúce časované slová do čitateľných titulkov SRT alebo WebVTT namiesto jedného titulku na slovo. Titulky oddeľujte pri pauzách a ich dĺžku a čas zobrazenia voľte podľa prehrávača a publika. Hranice replík môžu udržať rôznych hovoriacich v samostatných titulkoch. Skontrolujte prázdny výsledok časovania aj titulky, ktorých koniec musí byť neskôr než začiatok. Formátovanie titulkov, mená pre anonymné označenia hovoriacich a prípadné neskoršie zhrnutie sú výstupy aplikácie vytvorené z výsledku prepisu.

V praktickom postupe práce s nahrávkou sa pred prepisom rozhodnite, či potrebujete obyčajný čitateľný prepis, anotované konverzačné repliky alebo časované titulky. Pri výsledku zachovajte identifikátor zvuku, ponechajte vrátený úplný text, keď záleží na interpunkcii a značkách prejavov, a na navigáciu použite štruktúrované časové polia. Možnosti Pro pre dlhé nahrávky a viacerých hovoriacich sa líšia od všeobecného modelu Transcribe 1 pre krátke nahrávky; ich limity a ovládacie parametre nemožno považovať za zameniteľné.