OpenAI: GPT Transcribe

GPT Transcribe to model zamiany mowy na tekst od OpenAI, wymieniony na api14 pod identyfikatorem modelu openai/gpt-transcribe. Należy do kategorii transkrypcji, więc jego zadanie jest wąskie i konkretne: zamiana dźwięku na tekst, a nie generowanie odpowiedzi konwersacyjnych czy obsługa ogólnego czatu. Jeśli budujesz potok, w którym treść mówiona ma stać się treścią pisaną, to jest właśnie ten rodzaj modelu, który dostawca przewidział dla tego kroku.

Model przyjmuje dźwięk jako modalność wejściową i zwraca transkrypcję jako wynik. Zgodnie z opisem dostawcy jest to model zamiany mowy na tekst o wysokiej dokładności, odpowiedni do nagranego dźwięku, transkrypcji strumieniowanych plików oraz zatwierdzonych tur Realtime. Obsługuje swobodny kontekst, wskazówki słów kluczowych i wiele języków. Dla tego modelu nie opublikowano długości kontekstu, a maksymalna wielkość wyniku jest podana jako zero, więc praktyczne limity należy traktować jako coś do zweryfikowania w dokumentacji dostawcy, zamiast zakładać budżet tokenów na podstawie tej strony. To, co strona wyjaśnia jasno, to kształt interakcji: dźwięk na wejściu, tekst na wyjściu, z opcjonalnym kontekstem i wskazówkami słów kluczowych do kierowania rozpoznawaniem.

Zastosowania wynikają bezpośrednio z tego. Transkrypcja nagranego dźwięku obejmuje nagrania spotkań, wywiady, podcasty, notatki głosowe i dowolne archiwum materiału mówionego, które chcesz mieć przeszukiwalne jako tekst. Transkrypcja strumieniowanych plików pasuje do przepływów pracy, w których dźwięk przychodzi jako plik, a transkrypcję chcesz uzyskać w ramach większego zadania przetwarzania. Zatwierdzone tury Realtime wskazują na mowę na żywo lub niemal na żywo transkrybowaną w ramach sesji interaktywnej. Swobodny kontekst jest przydatny, gdy możesz powiedzieć modelowi, czego dotyczy dźwięk, na przykład słownictwa dziedzinowego lub tematu rozmowy, a wskazówki słów kluczowych pomagają, gdy wiesz, że prawdopodobnie pojawią się określone terminy, nazwy lub żargon. Obsługa wielu języków oznacza, że ten sam punkt końcowy może obsługiwać dźwięk wielojęzyczny, zamiast zmuszać cię do osobnego modelu dla każdego języka.

Wywołujesz go przez zgodne z OpenAI API api14, używając identyfikatora modelu openai/gpt-transcribe, więc istniejące biblioteki klienta OpenAI i wzorce żądań powinny działać dalej po ustawieniu bazowego adresu URL na api14. Lista obsługiwanych parametrów dla tego modelu jest pusta, co oznacza, że nie ma tutaj udokumentowanych dodatkowych parametrów żądania poza tym, co punkt końcowy przyjmuje domyślnie. W praktyce oznacza to, że powinieneś wysłać swój dźwięk i identyfikator modelu, i nie polegać na opcjach dostrajania, takich jak temperatura czy niestandardowe ustawienia próbkowania, pojawiających się na tej stronie. Jeśli potrzebujesz parametru, który nie jest wymieniony, sprawdź dokumentację dostawcy, zanim założysz, że jest dostępny.

Ponieważ model służy wyłącznie do transkrypcji, nie nadaje się do zadań wymagających generowania tekstu, rozumowania, wywoływania narzędzi lub wprowadzania obrazu. Jeśli twoje obciążenie to czat, kod lub ogólny tekst, lepiej posłuży ci inny model z katalogu. Nie ma też opublikowanej długości kontekstu, a maksymalna wielkość wyniku na tej stronie wynosi zero, więc w przypadku bardzo długiego dźwięku lub nietypowych wymagań dotyczących przepustowości potwierdź zachowanie u dostawcy, zamiast wnioskować je z tych pól.