这是给谁的
任何有录音又不想逐字敲出来的人。一场必须变成会议记录的市政会议。一篇要放到堂区网站上的讲道。需要准确引用的采访。学生们想搜索而不是重看一遍的课程。
怎么运作
- 1
你上传文件。常见格式都行——wav、mp3、m4a、ogg——视频也可以，声音我们自己提取。
- 2
我们先找出哪里有讲话，告诉你那是多少分钟、要花多少钱。进队列之前你就知道价格。
- 3
它在没有任何直播房间需要显卡时运行，这样录音永远不会耽误别人的活动。
- 4
做完我们会发邮件通知你，结果在你的账户里等着。
你得到什么
- 完整文本，用当时讲的语言。
- SRT 和 VTT 字幕，带各自的时间码。
- 原始的发言段落，JSON 格式，含起止时间，方便喂给别的工具。
- 只有讲话：沉默、掌声和空白既不在里面，也不计费。
- 你上传的文件在任务完成的那一刻就被删除。
- 结果在账户里保留十五天。
边界在哪里： 每段录音最长 音频 4 小时、视频 1 小时、800 MB，同时三个任务。更长的会议分成几段上传。一段录音大约需要它自身长度的十分之一——机器空闲时，一小时音频大概等六分钟。
问题
- 准确度能到什么程度？
- 这几乎完全取决于录音。安静房间里的领夹麦克风几乎能完美转写；有回声的大厅里放在桌上的手机会丢词，而这一点事后任何引擎都修不好。
- 会加标点吗？
- 会——句号、逗号和大写。它是写来给人读的，不是一堵小写字母的墙。
- 可以发视频吗？
- 可以。mp4、mov、mkv、avi 和 webm。我们提取其中的音频并处理它；视频不会被保存。
- 我的录音会被用来训练什么吗？
- 不会。任务结束时它就被删除，除了留在你账户里的转写之外什么都不剩。
- 如果音频里不止一种语言呢？
- 引擎会检测正在讲的是什么。如果人们中途换语言，请告诉我们：这种情况值得先拿你自己的音频试一次再依赖它。
对一个文件还能做的事
同一个文件、同一个引擎、同一个积分钱包。几乎没人只需要其中一项：转写完一场会议，最后总会想知道是谁在说。
只有你们那里才用的词
一个机构自己的名字——人名、街名、编号、职务——正是通用模型从没听过的东西，也正是它出错的地方：它会换成一个听起来差不多的普通词。写一次，就不再出错。 写在任务里，对那段录音生效。
- 这是一份清单，不是训练：写下来，从第一句话就生效。
- 它什么都不收集。不收你的音频，不收你的文本，一秒都不收。
- 而且是包含在内的。不是额外的套餐，也不是账单上的一行。