Deepgram: Nova-3

Deepgram Nova-3 to model zamiany mowy na tekst od Deepgram, wymieniony na api14 pod identyfikatorem modelu deepgram/nova-3. Należy do kategorii transkrypcji, a Deepgram opisuje go jako model zamiany mowy na tekst ogólnego przeznaczenia z obsługą transkrypcji jednojęzycznej i wielojęzycznej. Jeśli Twoja aplikacja musi zamieniać nagraną lub strumieniowaną mowę na tekst pisany, to właśnie do tego typu zadań dostawca zbudował ten model.

Model przyjmuje dźwięk jako dane wejściowe i zwraca transkrypcję jako dane wyjściowe. Taki jest cały kształt tego interfejsu: wysyłasz dźwięk, otrzymujesz tekst z powrotem. Opis dostawcy wskazuje na transkrypcję jednojęzyczną i wielojęzyczną, więc model radzi sobie z mową w jednym języku, jak również z materiałem obejmującym więcej niż jeden. Dla tego modelu nie podano wartości okna kontekstowego, a maksymalne dane wyjściowe są podane jako zero, więc planuj w oparciu o sam wynik transkrypcji, a nie o budżet tokenów w stylu czatu.

Ponieważ jedynym wejściem jest dźwięk, a jedynym wyjściem transkrypcja, praktyczne zastosowania wynikają bezpośrednio z tego faktu. Możesz użyć Nova-3 do tworzenia transkrypcji spotkań, wywiadów, notatek głosowych, podcastów lub nagrań rozmów. Obsługa wielu języków sprawia, że model pasuje do zespołów, których dźwięk nie jest w całości w jednym języku, na przykład rozmowy z klientami lub nagrania terenowe mieszające języki. Zwracane transkrypcje mogą następnie zasilać to, co następuje dalej w Twoim potoku przetwarzania, takie jak indeksowanie wyszukiwania, streszczanie przez osobny model tekstowy lub przechowywanie do przeglądu.

Model wywołujesz przez API zgodne z OpenAI w api14, używając identyfikatora modelu deepgram/nova-3. Ponieważ punkt końcowy działa w formacie OpenAI, możesz skierować istniejącego klienta OpenAI na api14 i wysłać dźwięk do transkrypcji bez przepisywania integracji. Model nie wymienia żadnych obsługiwanych parametrów, więc nie zakładaj, że dostępne są opcje dostrajania, takie jak temperatura czy niestandardowe pola promptu; wyślij dźwięk i polegaj na domyślnych ustawieniach stosowanych przez bramę. Sprawdź bieżącą tabelę cen na stronie, aby poznać aktualne stawki, zanim zdecydujesz się na obciążenie.

Jedna rzecz do rozważenia to zakres. Nova-3 to model transkrypcji, a nie ogólny model tekstowy ani rozumujący, więc jeśli Twoim zadaniem jest generowanie, edytowanie lub analizowanie tekstu, a nie zamiana mowy na tekst, lepiej sprawdzi się model tekstowy. Jeśli Twój dźwięk jest w języku lub mieszance języków spoza tego, co obsługuje dostawca, zweryfikuj wyniki na próbce przed wdrożeniem. W przypadku prostych zadań zamiany mowy na tekst model o identyfikatorze deepgram/nova-3 jest tym, którego należy użyć.