Fish Audio: Transcribe 1

Fish Audio: Transcribe 1 é um modelo de fala para texto da Fish Audio, listado em api14 na categoria de transcrição. É a oferta dedicada de transcrição do provedor, distinta de qualquer trabalho de geração de texto ou multimodal, e existe puramente para transformar fala gravada em texto escrito. Se a sua aplicação precisa converter áudio em uma transcrição utilizável e você já encaminha outras requisições por meio de um gateway compatível com OpenAI, este é o modelo a avaliar para essa tarefa.

O modelo aceita áudio como sua única modalidade de entrada e retorna uma transcrição como saída. Ele realiza detecção automática de idioma, então você não precisa informar de antemão qual idioma está sendo falado antes que ele possa processar um clipe. Quando detalhes de alinhamento são solicitados, ele pode retornar segmentos com carimbos de tempo em nível de palavra em vez de um bloco de texto indiferenciado. Essa temporização em nível de palavra é o recurso que mais importa para qualquer coisa além da leitura simples: ela permite mapear cada palavra de volta para um ponto no áudio. Os metadados do modelo não publicam um comprimento de contexto em tokens, então trate o próprio áudio, não um orçamento de tokens, como aquilo em torno do qual você dimensiona suas requisições.

Como a saída pode carregar carimbos de tempo em nível de palavra, vários casos de uso práticos decorrem diretamente disso. A geração de legendas e subtítulos se beneficia da temporização dos segmentos, já que uma faixa de legenda precisa saber quando cada frase aparece. Editores de transcrição e ferramentas de anotação podem destacar o áudio enquanto ele é reproduzido, ou permitir que um usuário clique em uma palavra para saltar para aquele momento. Busca e indexação sobre reuniões gravadas, entrevistas, palestras ou chamadas de suporte tornam-se possíveis assim que a fala vira texto, e o alinhamento de palavras melhora a precisão desses resultados. A detecção de idioma também ajuda quando você recebe áudio em idioma misto ou desconhecido e quer uma transcrição sem uma etapa separada de classificação antes.

Você chama o modelo por meio da API compatível com OpenAI do api14 usando o id de modelo "fish-audio/transcribe-1". Como a interface segue a convenção da OpenAI, clientes e SDKs existentes que já apontam para uma URL base compatível com OpenAI podem enviar requisições sem uma integração sob medida. O modelo não lista parâmetros de requisição suportados, então planeje o formato de requisição padrão para uma chamada de transcrição de áudio e verifique o esquema da requisição para os campos que se aplicam à entrada de áudio. Quando você precisar de saída de alinhamento, solicite os detalhes de alinhamento para que a resposta inclua segmentos com carimbos de tempo em nível de palavra em vez de texto simples. Os metadados também registram um valor máximo de saída igual a zero, o que significa que você não deve confiar nos metadados publicados para um teto de saída e deve validar os tamanhos de resposta em relação à sua própria carga de trabalho.

Sobre adequação: este modelo é restrito apenas à transcrição. Ele não gera texto, não responde perguntas sobre o áudio, não traduz, não resume nem produz qualquer saída além da transcrição, então uma tarefa como "resuma esta reunião" precisa de um modelo de texto separado alimentado com a transcrição. A ausência de parâmetros suportados publicados e de um comprimento de contexto em tokens significa que você não pode ajustar o comportamento de amostragem ou raciocínio aqui, e gravações muito longas devem ser testadas em relação ao seu próprio pipeline em vez de presumidas como funcionais em uma única passagem. Se o seu requisito é fala na entrada, texto preciso com carimbos de tempo na saída, com detecção automática de idioma, este modelo é direcionado exatamente para isso.