Google: Gemini 3.5 Transcribe

Google Gemini 3.5 Transcribe je sinhroni model za pretvorbo celotnih, vnaprej posnetih zvočnih datotek v zapis govora. Temelji na Geminijevih zmožnostih razumevanja zvoka, vendar ima vhodna in izhodna pravila, posebej namenjena prepisovanju. Ločena izdaja Gemini 3.5 Transcribe Live sprejema zvočni tok in sproti vrača delne rezultate. Ta model za posneti zvok pripravi dokončan prepis z izbirnimi časovnimi oznakami besed ali pripisovanjem govorcem, odvisno od izbrane konfiguracije.

Pripravite jasen posnetek brez močnega odrezovanja zvočnega signala govora in, kadar je mogoče, z razločnimi glasovi. Proizvajalčevi sinhroni primeri posredujejo zvok WAV kot bajte datoteke ali shranjeni zvočni vir z navedenim tipom MIME. Izvirni zvok ohranite za pregled. Želeni rezultat je lahko preverjen prepis intervjuja, zapis za časovno poravnavo podnapisov ali berljiv narek; določite, kateri izdelek potrebujete, preden združujete funkcije, ki spreminjajo ubeseditev ali dodajajo metapodatke.

Google dokumentira samodejno zaznavanje več kot 85 jezikov, vključno z mešanjem jezikov znotraj seje. Raven podpore se med jeziki razlikuje, namig o znanem jeziku pa lahko izboljša prepoznavanje. Besedišče po meri vsebuje posebna imena, znamke ali strokovne izraze, ki se bodo verjetno pojavili. Proizvajalec dovoljuje do 1,000 izrazov in navaja, da se običajno najbolje obnesejo osredotočeni seznami z do približno 100 izrazi. Neobičajni izrazi naj bodo relevantni za posnetek; preverite jih glede na zvok, namesto da bi domnevali, da namig v besedišču dokazuje, da je bil izraz izgovorjen.

VERBATIM je privzeti način. Ohranja mašila, ponovitve, prekinjene začetke povedi in izgovorjene popravke, tako da besedilo ostane zapis dejanske ubeseditve. Ta način uporabite, kadar naloga zahteva časovne oznake na ravni besed ali diarizacijo govorcev. Pri intervjuju na primer ohranite izvirno zaporedje govornih izmenjav in časovne podatke, nato pa pomembna imena in količine popravite s poslušanjem ustreznega odlomka. Poznejši povzetek ali slogovno urejen članek lahko uporabi ta preverjeni zapis, ne da bi neopazno nadomestil povedano.

Način SMART je namenjen berljivemu nareku. Odstranjuje govorne zatike, razrešuje sprotne samopopravke in govorjeno gradivo razporeja v odstavke ali sezname, kjer je primerno, pa poenoti zapis datumov in števil. Narekovani seznam opravil lahko postane berljiv seznam namesto niza izgovorjenih prehodov. Ta obdelava spremeni obliko prepisa. Google izrecno navaja, da SMART ni združljiv s časovnimi oznakami besed in diarizacijo, zato ga izberite, kadar potrebujete berljivo besedilo, namesto da bi ga poskušali uporabiti kot časovno označen zapis s pripisanimi govorci.

Ko so časovne oznake besed omogočene, odgovor vključuje prepoznane besede z začetnimi in končnimi časovnimi odmiki. Ti pomagajo poiskati mesto popravka v posnetku ali pripraviti podnapise. Proizvajalec opozarja, da lahko omogočanje časovnih oznak na ravni besed vpliva na natančnost. Preglejte tako besedilo kot poravnavo, zlasti pri hitrem govoru, prekrivanju ali neobičajni terminologiji. Uporaben časovno označen prepis hrani zapis besed skupaj z izvornim zvokom, namesto da bi tekoča poved veljala za dokaz pravilne poravnave.

Diarizacija govorcev prepoznava in označuje glasove v posnetem zvoku; dokumentirana je podpora za največ osem govorcev. Pripisovanje pri treh ali več govorcih proizvajalec opisuje kot poskusno. Oznake obravnavajte kot sklepanje o skupinah govornih odsekov istega govorca in prehode preverite glede na posnetek. Oznaka govorca ni neodvisen dokaz identitete ali vloge osebe. Če naloga zahteva imena, oznake povežite z znanimi podatki o posnetku, namesto da bi si iz prepoznanih besed izmišljali identitete.

Proizvajalčeva preglednica funkcij navaja 15-minutno okno za posneti zvok, pri čemer je obdelava datotek omejena na to trajanje, kadar so omogočene funkcije, kot so časovne oznake ali diarizacija. Daljše izvorno gradivo pripravite v ustreznih segmentih in ohranite njihov vrstni red ter izvirni časovni položaj. Prepis modela, časovno označene besede in deli z oznakami govorcev so različne predstavitve rezultata; ohranite predstavitev, potrebno za nalogo. Teh omejitev, značilnih za zvok, ne nadomeščajte s podatki o kontekstu ali trajanju iz splošnega multimodalnega modela Gemini. Google oblikovanje SMART, časovne oznake na ravni besed in diarizacijo govorcev navaja kot poskusne funkcije.

Izhodna pravila so namenjena posebej prepisovanju. Oblikovanje SMART ustvari berljivo besedilo, vendar ne dodaja splošnih pravil za odgovore po shemi JSON, zmožnosti klicanja orodij ali delovnega postopka pomočnika, ki sledi navodilom. Pri končnem izdelku preverite pomembno ubeseditev, števila in zanikanja glede na zvok, ohranite vsak nerazrešen segment za popravek in skupaj z rezultatom shranite izbrani način. Tako je jasno, ali izdelek beleži izvirno izgovorjeno ubeseditev ali predstavlja iz nje izpeljano urejeno različico za branje.