Fish Audio: Transcribe 1 Pro

Transcribe 1 Pro är Fish Audios tal-till-text-modell för korta klipp, samtal med flera talare och långa inspelningar. Den tar emot inspelat ljud och returnerar en transkription med valfria tidsangivelser och strukturerade talarturer. Dess särskilda egenskaper är talarbyten markerade i texten och markeringar för känslor eller vokala händelser, som bevarar mer av inspelningens samtalsstruktur än en ren följd av ord.

För en intervju, ett möte eller en podd bevaras hela samtalet i en fil så att återkommande talare kan behålla konsekventa etiketter inom svaret. Ett användbart granskningsunderlag är en transkription kopplad till originalinspelningen, med turerna visade separat och en tidsstämpel tillgänglig för att kontrollera ett citat. En sammanfattning eller åtgärdslista är ett efterföljande applikationssteg: håll den separat från transkriptionen så att den talade källan förblir tillgänglig för jämförelse.

Tillverkaren accepterar inspelningar på upp till 60 minuter och beskriver bearbetning av långa filer med komprimerat ljud som MP3, Opus eller AAC. Format som stöds är WAV, MP3, AAC i M4A eller MP4, FLAC, Ogg med Opus eller Vorbis, WebM/Matroska och MOV. För en videofil används det första ljudspåret. AIFF, CAF, WMA, AMR, AC-3 och rå PCM utan filhuvud stöds inte. En ljudfil anges per begäran; resultatet kommer efter att hela inspelningen har transkriberats, och en lång inspelning kan ta flera minuter. Klipp kortare än cirka 0,08 sekunder avvisas.

Tillverkarens svar innehåller hela texten, inspelningens längd i sekunder och en segments-array. Pro markerar talarbyten direkt i texten med etiketter som <|speaker:0|> och <|speaker:1|>; en etikett gäller den efterföljande texten fram till nästa markör. Dessa är identifierare inom ett svar, inte verifierade namn eller identiteter som kan matchas mellan begäranden. Om transkriptionen saknar talarmarkör behandlar guiden den som ett resultat med en talare. Behåll eventuell text före den första markören tillsammans med den första turen i stället för att kasta bort den.

Tidsstämplar på ordnivå är valfria. I tillverkarens begäran är ignore_timestamps som standard true; värdet false begär segment med text samt start- och sluttider i sekunder. Ett segment är i allmänhet ett ord, eller ett eller några få tecken på kinesiska och japanska. Segmenttexten utelämnar skiljetecken, talarmarkörer och händelsemarkeringar och kan normalisera ett uttalat värde annorlunda än den fullständiga transkriptionen. Ett ordsegment kan ha samma start- och sluttid. En tom segments-array kan betyda att tidsstämplar inte begärdes, att inget tal hittades eller att tidsangivelser tillfälligt var otillgängliga. Använd den fullständiga transkriptionen för läsbar ordalydelse och segmenten för tidsmässig justering i stället för att anta att båda strängarna matchar tecken för tecken.

Inställningen diarize är som standard auto. När tidsstämplar begärs och diarize inte är false returnerar Pro även speaker_turns. Varje tur innehåller sin talaretikett, text och start-/sluttider och bevarar skiljetecken och kvarvarande markeringar utan den infogade talarmarkören. Om ordtider saknas kan turernas tider vara ungefärliga och omfatta hela inspelningen; intilliggande turer följer inte nödvändigtvis direkt på varandra och kan överlappa. Om diarize inaktiveras tas den strukturerade turlistan bort, men talarmarkörerna finns kvar i hela texten. Ett känt antal talare, eller ett minsta och största antal, kan vägleda talarsepareringen för längre inspelningar efter bästa förmåga. Det exakta antalet kan inte kombineras med antalsgränserna, och antalsledtrådar kan inte användas när diarize är inaktiverat.

Markeringar för känslor och vokala händelser visas som text inom hakparenteser, exempelvis [laughter], tillsammans med det igenkända talet. De är slutsatser från ljudet, inte ord som användaren behöver lägga till före transkriberingen. Pros inställning tag_audio_events är som standard true; om den inaktiveras tas markeringarna bort från transkriptionen och turtexten utan att tidsangivelserna ändras. Det finns inget separat känslofält eller någon fast uppräkning av känslovärden. Bevara den annoterade transkriptionen när det spelar roll hur en kommentar låter, och använd en version utan markeringar när den efterföljande produkten bara behöver de talade orden.

Språket identifieras automatiskt. En valfri ISO 639-1-ledtråd med gemener tvingar inte fram översättning och ändrar inte Pros transkription. Om språket inte kan fastställas kan den returnerade språkkoden återspegla ledtråden utan att den verifieras mot ljudet. Tillverkaren rapporterar ett språk i stället för en förteckning över alla språk i en inspelning med blandade språk. Bevara den ursprungliga ordalydelsen och språkmetadata tillsammans när ett sökbart arkiv förbereds, särskilt när olika delar av ett samtal byter språk.

För undertexter grupperas på varandra följande tidsangivna ord till läsbara SRT- eller WebVTT-textblock i stället för att skapa en undertext per ord. Dela upp blocken vid pauser och välj deras längd och visningstid efter spelaren och publiken. Gränser mellan talarturer kan hålla olika talare i separata textblock. Kontrollera om tidsresultatet är tomt och att varje blocks sluttid är senare än dess starttid. Undertextformatering, namn för anonyma talaretiketter och eventuella senare sammanfattningar är applikationsprodukter som byggs från transkriptionsresultatet.

I ett praktiskt inspelningsflöde avgörs före transkriberingen om en vanlig läsbar transkription, annoterade samtalsturer eller tidsangivna undertexter behövs. Behåll ljudidentifieraren tillsammans med resultatet, bevara den returnerade fullständiga texten när skiljetecken och markeringar spelar roll och använd de strukturerade tidsfälten för navigering. Pros funktioner för långa inspelningar och flera talare är skilda från den allmänna Transcribe 1-modellen för korta inspelningar; deras gränser och reglage ska inte behandlas som utbytbara.