תמלול דיבור

‫Speech Transcription מתמלל אודיו של דיבור בסרטון או בקטע סרטון לטקסט, ומחזיר בלוקים של טקסט לכל חלק באודיו המתומלל.

מודלים נתמכים

התכונה Video Intelligence תומכת רק באנגלית (ארה"ב). בשפות אחרות, אפשר להשתמש ב-Speech-to-Text API, שתומך בכל השפות הזמינות. רשימת השפות הזמינות מופיעה במאמר תמיכה בשפות במסמכי התיעוד של 'דיבור לטקסט'.

כדי לתמלל דיבור מסרטון, מבצעים קריאה ל-method‏ annotate ומציינים SPEECH_TRANSCRIPTION בשדה features.

אתם יכולים להשתמש בתכונות הבאות כשאתם מתמללים דיבור:

  • מילים חלופיות: משתמשים באפשרות maxAlternatives כדי לציין את המספר המקסימלי של אפשרויות לתרגומים של טקסט מזוהה שייכללו בתשובה. הערך יכול להיות מספר שלם מ-1 עד 30. ערך ברירת המחדל הוא 1. ממשק ה-API מחזיר תמלילים מרובים בסדר יורד על סמך ערך מהימנות (confidence value) של התמליל. תמלילים חלופיים לא כוללים רשומות ברמת המילה.

  • סינון של שפה גסה: אפשר להשתמש באפשרות filterProfanity כדי לסנן מילים גסות מוכרות בתמלילים. המילים התואמות מוחלפות בתו הראשון של המילה ואחריו כוכביות. ברירת המחדל היא False.

  • הצעות לתמלול: משתמשים באפשרות speechContexts כדי לספק ביטויים נפוצים או לא נפוצים באודיו. הביטויים האלה משמשים את שירות התמלול כדי ליצור תמלילים מדויקים יותר. אתם מספקים רמז לתמלול כאובייקט SpeechContext.

  • בחירת טראק אודיו: משתמשים באפשרות audioTracks כדי לציין מאיזה טראק לתמלל סרטון עם כמה טראקים. המשתמשים יכולים לציין עד שני טראקים. ברירת המחדל היא 0. אחרי שקוד השפה מוגדר ל-en-US, הבקשה מנותבת למצב משופר שאומן על אודיו ב-en-US. המערכת לא באמת יודעת en-US או שפות אחרות כשלעצמן. אם נזין אודיו בספרדית למודל המשופר, התמלול יתבצע אבל יכול להיות שיהיו פלטים עם ציוני מהימנות נמוכים, או ללא פלט בכלל – וזה מה שמצופה ממודל טוב.

  • סימני פיסוק אוטומטיים: משתמשים באפשרות enableAutomaticPunctuation כדי לכלול סימני פיסוק בטקסט המתומלל. ברירת המחדל היא False.

  • כמה דוברים: אפשר להשתמש באפשרות enableSpeakerDiarization כדי לזהות דוברים שונים בסרטון. בתגובה, כל מילה מזוהה כוללת שדה speakerTag שמזהה את הדובר שאליו משויכת המילה המזוהה.

כדי לקבל את התוצאות הטובות ביותר, מומלץ לספק אודיו שהוקלט בקצב דגימה של 16,000 הרץ או יותר.

כדי לראות את התכונה הזו בפעולה, אפשר לעיין ב כלי הוויזואליזציה של Video Intelligence API.

דוגמאות לבקשות לתמלול דיבור מופיעות במאמר תמלול דיבור.