Fish Audio: Transcribe 1 Pro

Transcribe 1 Pro je model podjetja Fish Audio za pretvorbo govora v besedilo pri kratkih izsekih, pogovorih z več govorci in dolgih posnetkih. Sprejme posnet zvok in vrne prepis z neobveznimi časovnimi podatki in strukturiranimi odseki govorcev. Odlikujejo ga menjave govorcev, označene v besedilu, ter oznake čustev ali glasovnih dogodkov, ki ohranijo več pogovorne strukture posnetka kot navadno zaporedje besed.

Pri intervjuju, sestanku ali podkastu ohranite celoten pogovor v eni datoteki, da lahko govorci ob ponovnem nastopu ohranijo dosledne oznake znotraj odgovora. Uporaben izdelek za pregled je prepis, povezan z izvirnim posnetkom, z ločeno prikazanimi odseki govorcev in časovno oznako za preverjanje navedka. Povzetek ali seznam opravil je nadaljnji korak aplikacije: hranite ga ločeno od prepisa, da ostane govorjeni vir na voljo za primerjavo.

Proizvajalec sprejema posnetke, dolge do 60 minut, in opisuje obdelavo dolgih datotek s stisnjenim zvokom, kot so MP3, Opus ali AAC. Podprti formati vključujejo WAV, MP3, AAC v M4A ali MP4, FLAC, Ogg z Opus ali Vorbis, WebM/Matroska in MOV. Pri videodatoteki uporabi prvo zvočno stezo. AIFF, CAF, WMA, AMR, AC-3 in surovi PCM brez glave niso podprti. V posamezni zahtevi se posreduje ena zvočna datoteka; rezultat prispe po prepisu celotnega posnetka, dolg posnetek pa lahko zahteva več minut. Izseki, krajši od približno 0,08 sekunde, so zavrnjeni.

Odgovor proizvajalca vsebuje celotno besedilo, trajanje posnetka v sekundah in polje segments. Pro označi menjave govorcev neposredno v besedilu z oznakami, kot sta <|speaker:0|> in <|speaker:1|>; oznaka velja za naslednje besedilo do naslednje oznake. To so identifikatorji znotraj enega odgovora, ne preverjena imena ali identitete, ki bi jih bilo mogoče povezovati med zahtevami. Če prepis nima oznake govorca, ga vodnik obravnava kot rezultat z enim govorcem. Besedilo pred prvo oznako ohranite pri prvem odseku, namesto da bi ga zavrgli.

Časovne oznake posameznih besed so neobvezne. V zahtevi proizvajalcu je ignore_timestamps privzeto true; nastavitev false zahteva segmente z besedilom ter začetnimi in končnimi časi v sekundah. Segment je praviloma beseda oziroma en znak ali nekaj znakov v kitajščini in japonščini. Besedilo segmentov izpušča ločila, oznake govorcev in dogodkov ter lahko govorjeno vrednost normalizira drugače kot celotni prepis. Besedni segment ima lahko enak začetni in končni čas. Prazno polje segments lahko pomeni, da časovne oznake niso bile zahtevane, da govor ni bil zaznan ali da časovni podatki začasno niso bili na voljo. Celotni prepis uporabite za berljivo besedilo, segmente pa za poravnavo, ne da bi predpostavljali, da se niza ujemata znak za znakom.

Nastavitev diarize je privzeto auto. Ko so zahtevane časovne oznake in diarize ni false, Pro vrne tudi speaker_turns. Vsak odsek vsebuje oznako govorca, besedilo ter začetni in končni čas, pri čemer ohrani ločila in ohranjene oznake dogodkov brez oznake govorca sredi besedila. Če časovni podatki besed niso na voljo, so lahko časi odsekov približni in zajemajo celoten posnetek; sosednji odseki niso nujno stični ali brez prekrivanja. Izklop diarize odstrani strukturirani seznam odsekov, oznake govorcev pa ostanejo v celotnem besedilu. Znano število govorcev ali najmanjše in največje število lahko po najboljših zmožnostih usmerja razločevanje govorcev pri daljših posnetkih. Natančnega števila ni mogoče združiti z mejama števila, namigov o številu pa ni mogoče uporabiti ob izklopljenem diarize.

Oznake čustev in glasovnih dogodkov se ob prepoznanem govoru pojavijo kot besedilo v oglatih oklepajih, na primer [laughter]. Gre za sklepe na podlagi zvoka, ne za besede, ki jih mora uporabnik dodati pred prepisovanjem. Nastavitev tag_audio_events pri Pro je privzeto true; njen izklop odstrani te oznake iz prepisa in besedila odsekov, časovnih podatkov pa ne spremeni. Ločenega polja za čustva ali fiksnega nabora čustev ni. Ohranite prepis z oznakami, kadar je pomemben zven izjave, različico brez oznak pa uporabite, kadar nadaljnji izdelek potrebuje samo izgovorjene besede.

Jezik se zazna samodejno. Neobvezen jezikovni namig v obliki kode ISO 639-1, zapisane z malimi črkami, ne vsili prevoda in ne spremeni prepisa Pro. Če jezika ni mogoče določiti, lahko vrnjena jezikovna koda odraža namig, ne da bi bila preverjena glede na zvok. Proizvajalec navede en jezik, ne seznama vseh jezikov v večjezičnem posnetku. Pri pripravi arhiva, po katerem je mogoče iskati, hranite izvirno besedilo skupaj z jezikovnimi metapodatki, zlasti kadar različni deli pogovora prehajajo med jeziki.

Za podnapise združite zaporedne časovno označene besede v berljive odseke SRT ali WebVTT, namesto da bi ustvarili podnapis za vsako besedo. Odseke ločite ob premorih ter prilagodite njihovo dolžino in čas prikaza predvajalniku in občinstvu. Meje odsekov govorcev omogočajo ločene podnapise za različne govorce. Preverite, ali je rezultat časovnih podatkov prazen in ali imajo podnapisni odseki končni čas poznejši od začetnega. Oblikovanje podnapisov, poimenovanje anonimnih oznak govorcev in morebitni poznejši povzetek so izdelki aplikacije, zgrajeni iz rezultata prepisa.

V praktičnem postopku obdelave posnetkov pred prepisovanjem določite, ali potrebujete navaden berljiv prepis, označene odseke pogovora ali časovno usklajene podnapise. Z rezultatom hranite identifikator zvoka, ohranite vrnjeno celotno besedilo, kadar so pomembna ločila in oznake, strukturirana časovna polja pa uporabite za navigacijo. Zmožnosti Pro za dolge posnetke in več govorcev se razlikujejo od splošnega modela Transcribe 1 za kratke posnetke; njihovih omejitev in nastavitev ne smete obravnavati kot zamenljivih.