gpt-4o-transcribe-diarize

GPT-4o Transcribe Diarize är OpenAI:s modell för automatisk taligenkänning med inbyggd uppdelning efter talare. Den kopplar transkriberade ljudsegment till olika talare i ett samtal. Det användbara resultatet är en transkription organiserad efter talare och tid, i stället för bara ett sammanhängande textblock. Den är avsedd för inspelat tal som behöver talarmärkning, exempelvis ett möte, en intervju eller en diskussion med flera personer.

Förbered den färdiga inspelningen

Ange inspelningen som ska transkriberas. Det dokumenterade filarbetsflödet accepterar MP3, MP4, MPEG, MPGA, M4A, WAV och WebM, med en filstorleksgräns på 25 MB. Spara källinspelningen så att ett talarbyte, ett namn eller en oklar fras kan kontrolleras mot det faktiska ljudet.

För ett möte bevarar du samtalets ordningsföljd i stället för att klippa bort de korta pauser som hjälper till att skilja yttranden åt. För en intervju håller du frågan och svaret tillsammans när uppgiften behöver sambandet mellan dem. Ljudförberedelsen ska göra talet hörbart utan att ta bort information som är viktig för det talarmärkta resultatet.

Detta är ett arbetsflöde för filtranskribering. Att bearbeta en färdig inspelning och att känna igen en ljudström som fortfarande anländer är olika uppgifter; modellens talarmärkning stöds inte i Realtime-transkriberingssessioner.

Begär en talarmärkt transkription

Resultatformatet diarized_json returnerar segment med talaridentitetsetiketter samt start- och sluttider. Varje segment innehåller även sin transkriberade text. Håll dessa fält tillsammans så att orden kan kopplas till rätt del av inspelningen.

För en användbar mötestranskription bevarar du segmentens ordningsföljd och visar varje talares ord med deras tidsangivelser. En senare uppgift kan använda transkriptionen för att ta fram ett protokoll eller åtgärdspunkter, men uppdelningen efter talare avgör inte i sig vad mötet kom överens om och genererar inte en verifierad sammanfattning.

Talaretiketterna beskriver modellens gruppering av talet. Kontrollera övergångar där personer avbryter varandra, talar kort eller överlappar. Ett välstrukturerat resultat underlättar navigering och granskning, men en viss tilldelning kan fortfarande behöva kontrolleras genom att lyssna på originalljudet.

Referenser för kända talare

Det dokumenterade arbetsflödet kan ta emot upp till fyra namngivna talarreferenser. Varje referens är ett kort ljudklipp på 2–10 sekunder i ett format som stöds för huvuduppladdningen. Namnen och referenserna anges tillsammans så att segment kan kopplas till kända talare.

Förbered en referens som tydligt innehåller den avsedda talaren och använd namnet konsekvent med de avsedda etiketterna i transkriptionen. För en intervju kan en referens för intervjuaren hjälpa till att organisera det talarmärkta resultatet utan att göra varje deltagare till en anonym etikett. Referensen är indata för tilldelningen; den är inte en allmän röstkloningsoperation eller ett bevis på en persons identitet.

Blanda inte ihop att namnge en talare med att redigera orden som yttrades. Den användbara utdata behöver fortfarande bevara inspelningens innehåll och yttrandenas faktiska ordning.

Uppdelning och modellgränser

För ljud längre än 30 sekunder kräver tillverkaren en strategi för uppdelning, antingen automatisk uppdelning eller en konfiguration för detektering av röstaktivitet. Det kravet är inte en maximal inspelningslängd. Det beskriver hur längre indata delas upp för bearbetning.

Modellkortet anger ett kontextfönster på 16 000 token och högst 2 000 token i utdata. Det är modellens tokengränser, separata från filarbetsflödets uppladdningsgräns på 25 MB och tröskeln för uppdelning. De ska inte omvandlas till ett påhittat antal minuter som gäller för varje inspelning.

Bevara tidsangivelserna och segmentens identitet när en längre transkription sammanställs eller granskas. Om en inspelning har delats upp före inlämningen bevarar du varje dels koppling till originalljudet så att en lokal tidsstämpel inte förväxlas med dess position i hela samtalet.

Strömma färdigställda segment

Filarbetsflödet för transkribering kan strömma text medan inspelningen bearbetas. Vid talarmärkt strömning ger färdigställda segment upphov till segmenthändelser. Textdeltan innehåller en segmentidentifierare men inga partiella talartilldelningar; en talare tilldelas när segmentet är färdigställt.

Den skillnaden är viktig för presentationen. Visa preliminär text och ett färdigställt talaravsnitt som olika tillstånd i stället för att sätta en osäker talaretikett innan modellen har färdigställt segmentet. Bevara det färdiga resultatet när transkriptionen behövs för senare redigering eller analys.

Modell- och utdatagränser

Den här profilen är modellen för uppdelning efter talare, separat från vanlig GPT-4o-transkribering, Mini-transkribering, talsyntes och modeller för direktsamtal. Den stöder inte promptar för transkribering; håll eventuell terminologigranskning eller korrigering som ett separat steg som kontrolleras mot originalljudet. Tillverkarens gränssnitt transkriberar inspelat ljud till text. Det genererar inte ett ljudsvar och översätter inte en inspelning genom det separata arbetsflödet för ljudöversättning.

Använd den för transkriptioner som behöver både innehåll och talarstruktur. Kontrollera namn, tekniska termer, tal, gränser mellan yttranden och tilldelningar mot inspelningen. Spara ljudet, det valda resultatformatet, referenserna och den färdiga transkriptionen så att en korrigering kan avse en konkret fras eller talartilldelning.