Fish Audio: Transcribe 1 Pro

Fish Audio: Transcribe 1 Pro to model zamiany mowy na tekst od Fish Audio, dostawcy znanego z prac w zakresie przetwarzania dźwięku i mowy. Należy do kategorii transkrypcji i jest pozycjonowany jako oferta transkrypcyjna najwyższej klasy tej firmy. Dostawca udostępnił go 2026-09-24, więc jest to niedawny dodatek do linii Fish Audio, a nie długoletni model legacy.

Model przyjmuje jako dane wejściowe wyłącznie dźwięk i zwraca transkrypcję jako dane wyjściowe. Jest dostrojony specjalnie pod wywiady, spotkania i podcasty, co oznacza, że został zbudowany pod długie nagrania z wieloma mówcami, a nie pod krótkie polecenia głosowe. Jego wyróżniającą cechą są wbudowane znaczniki mówców, więc transkrypcja oznacza, kto mówi, zamiast tworzyć jeden nieodróżnialny blok tekstu. Zachowuje także emocje i wskazówki dotyczące zdarzeń wokalnych, co oznacza, że informacje nieleksykalne z dźwięku są przenoszone do transkrypcji, a nie usuwane. Dla tego modelu nie opublikowano długości okna kontekstu, więc planuj z uwzględnieniem rozmiaru wysyłanego dźwięku, a nie podanego budżetu tokenów.

Te możliwości wskazują na dość konkretny zestaw zastosowań. Transkrypcje z diaryzacją są przydatne do notatek ze spotkań, w których wypowiedzi każdego uczestnika muszą być przypisane, do transkrypcji wywiadów, z których dziennikarz lub badacz będzie cytować, oraz do produkcji podcastów, w której notatki odcinków, rozdziały lub przeszukiwalne transkrypcje zależą od wiedzy, kto co powiedział. Ponieważ emocje i wskazówki dotyczące zdarzeń wokalnych przetrwają transkrypcję, dane wyjściowe mogą także wspierać zadania downstream, takie jak analiza sentymentu nagrań rozmów, przegląd redakcyjny tonu wywiadu lub napisy dostępności przekazujące więcej niż same słowa. Każdy potok, który obecnie łączy zwykły model zamiany mowy na tekst z osobnym krokiem diaryzacji, jest kandydatem, ponieważ ten model włącza oznaczanie mówców do samej transkrypcji.

Wywołujesz go przez API zgodne z OpenAI w api14, używając identyfikatora modelu "fish-audio/transcribe-1-pro", więc istniejące klienty OpenAI SDK i integracje HTTP działają po zmianie bazowego adresu URL i nazwy modelu. Żądania mają standardową postać transkrypcji dźwięku: wyślij plik audio i odczytaj transkrypcję z odpowiedzi. Model nie udostępnia żadnych dodatkowych parametrów żądania poza tym, więc nie ma nic do dostrajania pod kątem temperatury, stylu promptu ani formatu wyjściowego. Traktuj go jako stałą konfigurację: wysyłasz dźwięk, a otrzymujesz transkrypcję z osadzonymi informacjami o mówcy i emocjach.

Ponieważ dostawca nie podaje żadnych obsługiwanych parametrów ani maksymalnej długości wyjścia, ten model słabo się nadaje, jeśli potrzebujesz kontroli nad dekodowaniem lub konkretnego schematu ustrukturyzowanego wyjścia z samego API. Jeśli chcesz regulowanych parametrów, zwykłego modelu tekstowego albo połączenia wejścia audio z rozumowaniem nad treścią, lepiej posłuży ci inny model w api14. Wybierz Transcribe 1 Pro, gdy całe zadanie polega na czystej, oznaczonej mówcami transkrypcji wywiadów, spotkań lub podcastów.