Fish Audio: Transcribe 1

Transcribe 1 är Fish Audios allmänna tal-till-text-modell för korta inspelningar. Den tar emot en ljudfil och returnerar de identifierade orden som text, tillsammans med inspelningens längd, valfria tidsatta segment och språkinformation när den är känd. Modellen är användbar för en kort röstanteckning, en talad instruktion, ett utdrag ur en inspelning eller ett ljudklipp som behöver en läsbar textrepresentation.

Ett illustrativt arbetsflöde för röstanteckningar bevarar inspelningen tillsammans med dess fullständiga transkription och en identifierare för originalklippet. Ett senare applikationssteg kan söka i texten, ordna anteckningen eller ta fram en sammanfattning samtidigt som den talade källan bevaras. För ett kommando levererar transkriptionen identifierade ord till applikationen; varje åtgärd är ett separat steg för tolkning och utförande. För ett intervjuutdrag registrerar du klippets position i hela ljudinspelningen så att ett citat kan kontrolleras på rätt ställe.

Tillverkaren accepterar WAV, MP3, AAC inklusive M4A/MP4, FLAC och Ogg med Opus eller Vorbis. Webbläsarinspelningar i WebM bör konverteras till Ogg/Opus, MP3 eller WAV för denna modell; Pro dokumenterar inbyggt stöd för ytterligare behållarformat. Ange en ljudfil per begäran. Basmodellens dokumenterade begäransgräns är upp till 50 MiB, med MP3- och Opus-filer under 25 MiB. Filstorlek och inspelningslängd är olika hänsyn: en komprimerad fil kan rymmas inom uppladdningsgränsen men ändå ta för lång tid att bearbeta.

Transcribe 1 är utformad för korta inspelningar. Tillverkaren rekommenderar Pro för ljud som är längre än några minuter; en lång begäran till basmodellen kan misslyckas om den överskrider bearbetningens tidsgräns. När en längre källa förbereds för transkription av korta klipp bevarar du varje klipps startförskjutning och bekräftar att den returnerade transkriptionen täcker hela klippet innan resultaten slås samman. Lägg till den ursprungliga förskjutningen till lokala segmenttider för att behålla navigeringens koppling till hela inspelningen. Basmodellens vägledning bör inte tolkas som Pros separata gräns på 60 minuter.

Tillverkarens svar innehåller fälten text, duration och segments. Längden uttrycks i sekunder, och den läsbara fullständiga transkriptionen bör bevaras som klippets primära ordalydelse. Tidsstämplar är valfria: ignore_timestamps har standardvärdet true i tillverkarens API, medan false begär segment på ordnivå med text samt start- och sluttider i sekunder. Att begära tidsjustering ökar bearbetningstiden. En tom segments-array kan bero på att tidsangivelser hoppats över, att tal saknas eller att tidsjustering tillfälligt är otillgänglig och bör därför inte automatiskt tolkas som en tom fullständig transkription.

Segment är i allmänhet ord, eller ett eller några få tecken på kinesiska och japanska. Deras text utelämnar skiljetecken och kan normalisera ett värde annorlunda än den fullständiga transkriptionen; den är inte en kopia tecken för tecken av det läsbara svaret. Ett segment kan ha samma start- och sluttid. Använd segment för att hitta en position i inspelningen eller förbereda tidsatt visning, och använd fulltexten när ordalydelse och skiljetecken är viktiga. Håll dessa två representationer åtskilda i det resulterande materialet.

Språket identifieras automatiskt oavsett om en valfri språkledtråd anges. Tillverkaren dokumenterar ISO 639-1-koder med gemener för ledtrådar och returnerar en språkkod för applikationslogik tillsammans med ett språknamn för visning när det är känt. Svaret rapporterar ett språk snarare än varje språk i en inspelning som växlar mellan språk. Behåll källans ordalydelse och tillgängliga språkmetadata med resultatet i stället för att behandla transkriptionsbegäran som en översättning.

För ett undertextflöde grupperar du på varandra följande tidsatta segment till läsbara textrutor i stället för att visa ett ord åt gången. Ett användbart resultat är en SRT- eller WebVTT-fil kopplad till originalklippet, med gränser som passar pauserna och en hanterbar mängd text på skärmen. Kontrollera om tidsangivelser saknas och säkerställ att varje textrutas sluttid följer dess starttid. Gruppering av undertexter och filformatering är applikationssteg som bygger på den returnerade tidsjusteringen, och visningsvalen bör passa spelaren och publiken.

Transcribe 1:s dokumenterade kontroller är ljud, en språkledtråd och valet av tidsstämplar. Pros talarmarkörer, strukturerade talarturer, kontroller för känslohändelser och ledtrådar om antalet talare är separata funktioner; de ingår inte i denna basmodells dokumenterade svarskontrakt. Välj önskat resultat före bearbetningen: vanlig läsbar text för en anteckning, eller text tillsammans med tidsjustering för uppspelningsnavigering och undertexter. Genom att bevara klippidentifieraren, transkriptionen och eventuella tidsangivelser blir resultatet användbart för nästa applikationssteg.