Deepgram: Nova-3

Nova-3 är Deepgrams generella taligenkänningsmodell för att omvandla ljud till text. Tillverkaren rekommenderar den för möten, undertextning av evenemang, inspelningar med flera talare och svåra förhållanden som brus eller avlägsna mikrofoner, med antingen förinspelad eller strömmande transkribering. Det användbara resultatet är igenkänt tal med tidsangivelser och konfidensinformation som förblir kopplat till källjudet.

Välj språkflödet

Det dokumenterade standardspråket är engelska. En enspråkig begäran väljer det talade språket eller en språkvariant som stöds. Den aktuella tabellen för den generella modellen innehåller regionala engelska varianter, spanska, franska, tyska, ryska, portugisiska, japanska, italienska, nederländska, arabiska, kinesiska skriftsystem och många andra språk, inklusive kazakiska. Välj bland tillverkarens stödda koder i stället för att anta att varje namn på en språkvariant accepteras.

Den flerspråkiga inställningen är ett separat arbetsflöde för språkväxling. Den aktuella Nova-3-tabellen listar tio språk för detta: engelska, spanska, franska, tyska, hindi, ryska, portugisiska, japanska, italienska och nederländska. Denna uppsättning är inte identisk med den större enspråkiga listan. För en inspelning som växlar mellan stödda språk förbereds det flerspråkiga läget i stället för att tvinga hela samtalet till en orelaterad enspråkig inställning. Bevara det som sades innan någon översatt eller sammanfattad version förbereds.

Inspelat ljud och förberedelse av transkriptionen

Deepgrams filflöde accepterar uppladdade ljuddata eller en referens till en ljudfil. Spara den returnerade transkriptionen när begäran är klar; tillverkaren lagrar inte transkriptioner för senare hämtning. Vanliga dokumenterade indataformat och kodningar är MP3, MP4, MP2, AAC, WAV, FLAC, PCM, M4A, Ogg, Opus och WebM. Bevara uppgifter om det faktiska formatet och kanalerna tillsammans med inspelningen. Ge inspelningen en stabil identifierare och håll resultatet kopplat till rätt källa och dess kanalinformation. För ett möte granskas deltagarnamn och tekniska termer medan originalljudet avlyssnas. För en föreläsning eller ett evenemang bevaras ljudets ordningsföljd så att en senare undertext eller ett sökresultat kan lokalisera det relevanta textavsnittet.

Tillverkarens guide för förinspelat ljud anger en maximal filstorlek på 2 GB och rekommenderar att ljudströmmen extraheras från en stor videofil. Den dokumenterar också en bearbetningstidsgräns på tio minuter för Nova-begäranden. Den tidsgränsen gäller hur länge begäran bearbetas, inte en maximal inspelningslängd på tio minuter. Ett användbart resultat inkluderar slutet av den avsedda inspelningen; en delvis bevarad transkription ska inte behandlas som den fullständiga texten.

Läs ord, tider och konfidens

Det dokumenterade JSON-svaret innehåller transkriptionsalternativ och igenkända ord, med varje ords start- och sluttid i sekunder från ljudets början samt ett konfidensvärde. För en transkription med flera talare tilldelar tillverkarens valfria talarseparering varje ord en talaretikett. Talarseparering för förinspelat ljud returnerar också konfidens för talaridentifieringen; vid strömning returneras talaretiketten. Granska dessa etiketter mot rösterna i inspelningen. Även den övergripande transkriptionskonfidensen rapporteras på en skala från 0 till 1. När smart formatering begärs kan resultatet inkludera skiljetecken och stora bokstäver som ord med skiljetecken samt läsbar styckeinformation.

Använd fälten enligt deras betydelse. En ordtid lokaliserar igenkänt tal, medan konfidens är modellens indikation på tillförlitlighet, inte bevis för att ett svårt namn eller en mängd uppfattades korrekt. För undertextning bevaras tidsangivelserna tillsammans med granskad ordalydelse och gränserna kontrolleras mot ljudet. För en läsbar redaktionell version hålls ändringar åtskilda från den igenkända transkriptionen i stället för att osäkra ord i tysthet ersätts med en rimlig berättelse.

Strömmande igenkänning och slutgiltiga segment

Novas strömningsflöde returnerar text när ljudet anländer, med preliminära och slutgiltiga resultat. Indikatorn is_final skiljer text som kan revideras från ett färdigställt segment. Indikatorn speech_final gäller detektering av ett talsegments slut. Håll dessa signaler åtskilda från att bara ta emot en transkription som inte är tom, och bevara de slutgiltiga segmenten i ljudets ordning när den färdiga dokumentationen förbereds.

Nova-3 är generell automatisk taligenkänning snarare än den separata samtalsmodellen Flux med modellens egen detektering av talarturer. Nova markerar transkriptionens slutgiltighet och talets slutpunkter; Flux ger egna händelser för samtalsturens tillstånd. Välj transkriptionsflöde utifrån om ljudet redan är inspelat eller anländer direkt, och använd det faktiska slutgiltiga resultatet som det material som bevaras.

Nyckeltermer för viktigt ordförråd

Nova-3:s dokumenterade Keyterm Prompting stöder enspråkig och flerspråkig transkribering och anpassar igenkänningen till viktiga termer utan att träna om modellen. Ange relevanta namn, produkttermer, akronymer eller flerordsfraser som faktiskt kan sägas. Guiden begränsar det sammanlagda nyckeltermsinnehållet till 500 token och rekommenderar att det viktigaste ordförrådet prioriteras i stället för att vanliga ord läggs till urskillningslöst.

Tillverkarens syntax använder vanliga termer, med en separat keyterm-post för varje term. En flerordsfras förblir en fras. Äldre nyckelordsvikter eller förstärkare, liksom att slå samman separata termer med kommatecken, semikolon eller radbrytningar, är inte likvärdigt: gränssnittet kan acceptera dem som ett bokstavligt värde utan att ge den avsedda förstärkningen. Skriv namn med rätt stora och små bokstäver och kontrollera sedan transkriptionen, eftersom ljudkontext och smart formatering fortfarande kan ändra den slutliga skriftliga formen.

Modellfamiljens gränser och användbara resultat

Den generella Nova-3-profilen skiljer sig från de separat namngivna alternativen Medical och Pharma. Styrning med ordförråd gör den inte till en annan utgåva, och de specialiserade modellernas språkstöd eller beteende ska inte antas gälla den generella modellen. Ytterligare transkriptionsbearbetning är val i tillverkarens talflöde, inte bevis på att igenkänningen har producerat en sammanfattning, översättning eller annan produkt som aldrig begärdes.

En användbar Nova-3-leverans kan vara en sökbar mötestranskription, ordalydelse förberedd för undertextning med ordtider eller dokumentation av ett flerspråkigt samtal. Bevara ljudidentifieraren, det valda språkflödet, den slutliga texten och användbara konfidens- eller tidsfält. Kontrollera oklara namn, tal, överlappande röster och språkbyten mot originalinspelningen och håll det faktiska igenkända talet tillgängligt för nästa steg i innehållsbearbetningen.