Fish Audio: Transcribe 1

Fish Audio : Transcribe 1 est un modèle de reconnaissance vocale de Fish Audio, répertorié sur api14 dans la catégorie transcription. C'est l'offre de transcription dédiée du fournisseur, distincte de tout travail de génération de texte ou multimodale, et elle existe purement pour transformer la parole enregistrée en texte écrit. Si votre application doit convertir de l'audio en une transcription exploitable et que vous acheminez déjà d'autres requêtes via une passerelle compatible OpenAI, c'est le modèle à évaluer pour cette tâche.

Le modèle accepte l'audio comme seule modalité d'entrée et renvoie une transcription comme sortie. Il effectue une détection automatique de la langue, vous n'avez donc pas à lui indiquer à l'avance quelle langue est parlée avant qu'il puisse traiter un clip. Lorsque des détails d'alignement sont demandés, il peut renvoyer des segments horodatés au niveau des mots plutôt qu'un bloc de texte indifférencié. Cette synchronisation au niveau des mots est la caractéristique la plus importante pour tout ce qui va au-delà de la simple lecture : elle permet de rattacher chaque mot à un point précis de l'audio. Les métadonnées du modèle ne publient pas de longueur de contexte en tokens, il faut donc considérer l'audio lui-même, et non un budget de tokens, comme l'élément autour duquel dimensionner vos requêtes.

Comme la sortie peut porter des horodatages au niveau des mots, plusieurs cas d'usage pratiques en découlent directement. La génération de sous-titres et de légendes bénéficie de la synchronisation des segments, car une piste de sous-titres doit savoir quand chaque phrase apparaît. Les éditeurs de transcription et les outils de prise de notes peuvent surligner l'audio pendant sa lecture, ou permettre à un utilisateur de cliquer sur un mot pour sauter à ce moment. La recherche et l'indexation sur des réunions, entretiens, cours ou appels de support enregistrés deviennent possibles une fois la parole convertie en texte, et l'alignement des mots améliore la précision de ces résultats. La détection de langue aide aussi lorsque vous recevez de l'audio en langue mixte ou inconnue et que vous voulez une transcription sans étape de classification préalable.

Vous appelez le modèle via l'API compatible OpenAI d'api14 en utilisant l'identifiant de modèle "fish-audio/transcribe-1". Comme l'interface suit la convention OpenAI, les clients et SDK existants qui pointent déjà vers une URL de base compatible OpenAI peuvent envoyer des requêtes sans intégration sur mesure. Le modèle ne liste aucun paramètre de requête pris en charge, prévoyez donc la forme de requête standard pour un appel de transcription audio et consultez le schéma de requête pour les champs qui s'appliquent à l'entrée audio. Lorsque vous avez besoin d'une sortie d'alignement, demandez les détails d'alignement afin que la réponse inclue des segments horodatés au niveau des mots au lieu de texte brut. Les métadonnées indiquent aussi une valeur de sortie maximale de zéro, ce qui signifie que vous ne devez pas vous fier aux métadonnées publiées pour un plafond de sortie et que vous devez valider la taille des réponses par rapport à votre propre charge de travail.

Concernant l'adéquation : ce modèle est limité à la transcription uniquement. Il ne génère pas de texte, ne répond pas aux questions sur l'audio, ne traduit pas, ne résume pas et ne produit aucune sortie au-delà de la transcription, donc une tâche comme "résume cette réunion" nécessite un modèle de texte distinct alimenté avec la transcription. L'absence de paramètres pris en charge publiés et de longueur de contexte en tokens signifie que vous ne pouvez pas ajuster ici le comportement d'échantillonnage ou de raisonnement, et les enregistrements très longs doivent être testés sur votre propre pipeline plutôt que présumés fonctionner en une seule passe. Si votre besoin est de la parole en entrée et un texte horodaté précis en sortie, avec détection automatique de la langue, ce modèle est précisément conçu pour cela.