وقتی صوت بلند را در چند بخش پیاده می‌کنید، اتصال متن‌ها فقط چسباندن چند رشته نیست. زمان هر قطعه ممکن است از صفر خودش شروع شود و بخشی از صوت هم در دو قطعه تکرار شده باشد. ابتدا نگاشت به فایل اصلی را بازسازی کنید؛ بعد درباره هم‌پوشانی متن با شاهد تصمیم بگیرید.
زمان محلی را با زمان فایل اصلی جمع کنیم
اگر قطعه دوم از ثانیه۹ فایل اصلی شروع شده و یک بخش متن داخل آن از صفر تا۱ است، بازه مبدأ۹تا۱۰ می‌شود. قطعه‌ای که در همان فایل از۲تا۳ است، در اصل۱۱تا۱۲ قرار می‌گیرد. این جمع فقط وقتی معتبر است که زمان صوت با حذف سکوت، تغییر سرعت یا تدوین دیگر عوض نشده باشد.
همین‌طور باید واحد صریح باشد؛۹۰۰۰میلی‌ثانیه را با۹ثانیه قاطی نکنید. نام فایل، offset و نسخه منبع را کنار خروجی نگه دارید. یک ترتیب اسمی مانند part-10 و part-2 هم الزاماً ترتیب زمانی درست را نمی‌سازد.
مثال: تکرار در مرز یا تکرار واقعی؟
| بازه مبدأ ساختگی | متن | کنترل |
|---|---|---|
| ۸تا۱۰ | نه، ارسال نکنید | متن قطعه اول |
| ۹تا۱۰ | ارسال نکنید | داخل هم‌پوشانی؛ نیازمند بررسی منبع |
| ۱۱تا۱۲ | نه، ارسال نکنید | جمله دوباره و خارج از بازه قبلی؛ صرف شباهت مجوز حذف نیست |
اگر هر جمله مشابهی را حذف کنیم، ممکن است تأکید یا اصلاح واقعی گوینده پاک شود. از طرف دیگر، نگه‌داشتن دوباره یک بازه تکراری می‌تواند شمارش واژه و گزارش بعدی را خراب کند. تشخیص باید به بازه مبدأ، نسخه صوت و شنیدن مرز وابسته باشد، نه فقط تشابه رشته.
کد نگاشت و علامت‌گذاری
کد محلی نگاشت قطعه‌ها offset را به شروع و پایان اضافه می‌کند، شناسه ترکیبی قطعه/بخش می‌سازد و برخورد زمانی را برای بازبینی علامت می‌زند. کد عمداً متن را خودکار حذف یا تلفیق نمی‌کند؛ هم‌پوشانی می‌تواند صدای هم‌زمان باشد و معنای واحدی ندارد.
در آزمون سه بخش جدول، هر سه باقی ماندند؛ بخش۹تا۱۰ علامت هم‌پوشانی گرفت و تکرار۱۱تا۱۲ حذف نشد. این داده‌ها ساخته تحریریه‌اند و خروجی ASR نیستند. کد مدل، الگوریتم تشابه معنایی یا اصلاح واژه اجرا نمی‌کند.
خروجی نهایی را چطور تحویل دهیم؟
- فهرست قطعه‌ها و نسخه فایل اصلی را ثابت کنید.
- تمام زمان‌ها را به یک واحد و یک مبدأ تبدیل کنید.
- هم‌پوشانی، شکاف و مرزهای مشکوک را جدا گزارش کنید؛ مرتب‌سازی آن‌ها را حل نمی‌کند.
- متن نهایی و جدول منبع هر بخش را نگه دارید تا حذف یا اصلاح قابل پیگیری باشد.
- پس از ادغام، جست‌وجو و پخش چند مرز را روی صوت اصلی بررسی کنید.
مخزن Whisper توضیح می‌دهد پردازش داخلی فایل می‌تواند پنجره‌ای باشد؛ این موضوع به معنی دریافت خودکار قرارداد قطعه‌های مستقل شما نیست. هر سرویس و خروجی را مطابق مستند خودش بخوانید. الگوریتم نگاشت این مقاله انتخاب مستقل و محدود تحریریه است.
برای ساخت قطعه، برش WAV روی فریم و برای خروجی زنده، نسخه موقت و نهایی موضوع‌های جدا هستند. اگر از اپرانگار خروجی چندفایلی می‌خواهید، حفظ مبدأ و روش ادغام را پیش از شروع با تیم روشن کنید؛ این نوشته ادغام خودکار محصول را تأیید نمی‌کند.
منبع زمینه پردازش پنجره‌ای: README رسمی Whisper. مثال، قرارداد offset و کد مستقل این مقاله آموزشی‌اند.