Feld 'alternatives'

Das Feld alternatives stellt ein Array von Transkriptionsergebnissen bereit. Das Array für diese Anforderung enthält nur ein Element.

• Im Feld transcript werden die Ergebnisse der Transkription bereitgestellt.
• Das Feld confidence enthält eine Konfidenzbewertung (Score), die der Service für die Transkription ermittelt (im vorliegenden Beispiel über 90 Prozent).

Die Felder final und result_index qualifizieren die Bedeutung dieser Felder.

Interne Änderungen und Verbesserungen am Service können sich auf Mitschriften und Konfidenzbewertungen auswirken. Beispielsweise kann die Spracherkennung verbessert werden, um präzisere Transkriptionsergebnisse zurückzugeben. Ebenso können sich die Bewertungen für Transkription und Wortkonfidenz aufgrund einer verbesserten Spracherkennung leicht ändern. Es wird erwartet, dass solche Änderungen bescheiden sind, aber es wird nicht erwartet, dass Transkripte und Konfidenzwerte im Laufe der Zeit unverändert bleiben.

Feld 'final'

Das Feld final gibt an, ob das Feld 'transcript' die Endergebnisse für die Transkription enthält:

• Für Endergebnisse, die sich garantiert nicht ändern, enthält das Feld den Wert true. Der Service liefert für Endergebnisse keine weiteren Aktualisierungen.
• Für Zwischenergebnisse, bei denen Änderungen vorbehalten sind, enthält das Feld den Wert false. Wenn Sie den Parameter interim_results mit der WebSocket-Schnittstelle verwenden, gibt der Service neu entstehende Hypothesen in mehreren Feldern results zurück, während die Audiodaten transkribiert werden. Für Zwischenergebnisse enthält das Feld final immer false und das Feld confidence wird immer weggelassen.

Weitere Informationen über die Verwendung der Schnittstelle WebSocket, um Zwischenergebnisse mit großen Sprachmodellen, Modellen der vorherigen und der nächsten Generation zu erhalten, finden Sie in den folgenden Themen:

• Zwischenergebnisse
• Senden von Erkennungsergebnissen durch den Service

Feld 'result_index'

Das Feld result_index stellt für die Ergebnisse eine ID zur Verfügung, die für diese Anforderung eindeutig ist. Falls Sie Zwischenergebnisse anfordern, sendet der Service mehrere Felder results mit den sich ergebenden Hypothesen für die Eingabeaudiodaten. Die Indizes der Zwischenergebnisse für dieselben Audiodaten haben - wie auch die Endergebnisse für dieselben Audiodaten - immer denselben Wert.

Derselbe Index kann auch für mehrere Endergebnisse einer einzelnen Anforderung verwendet werden. Unabhängig davon, ob Sie Zwischenergebnisse anfordern, kann der Service mehrere Endergebnisse mit demselben Index zurückgeben, wenn Ihre Audiodaten Sprechpausen oder längere Zeiten ohne Audiosignale enthalten. Weitere Informationen finden Sie unter Sprechpausen und Schweigen.

Sobald Sie für Audiodaten Endergebnisse empfangen haben, sendet der Service für den Rest der Anforderung keine weiteren Ergebnisse mit diesem Index. Der Index für alle weiteren Ergebnisse wird jeweils um 1 erhöht.

Falls Ihre Audiodaten zu mehreren Endergebnissen führen, verketten Sie die Elemente transcript der Endergebnisse, um die vollständige Transkription der Audiodaten zusammenzusetzen. Setzen Sie die Ergebnisse in der Reihenfolge zusammen, in der sie empfangen werden. Beim Zusammenfügen einer vollständigen endgültige Mitschrift können Sie die Zwischenergebnisse ignorieren, bei denen das Feld final den Wert false aufweist.

Zusätzlicher Antwortinhalt

Viele Parameter der Spracherkennung wirken sich auf den Inhalt der Antwort aus, die vom Service zurückgegeben wird. Manche Parameter können bewirken, dass der Service mehrere Transkriptionsergebnisse zurückgibt:

• end_of_phrase_silence_time
• interim_results
• split_transcript_at_phrase_end

Manche Parameter können den Inhalt des Transkripts modifizieren:

• profanity_filter
• redaction
• smart_formatting

Andere Parameter können zusätzliche Informationen zu den Ergebnissen hinzufügen:

• audio_metrics
• keywords und keywords_threshold
• max_alternatives
• processing_metrics und processing_metrics_interval
• speaker_labels
• timestamps
• word_alternatives_threshold
• word_confidence

Weitere Informationen zu den verfügbaren Parametern finden Sie in Spracherkennungsparameter verwenden und Parameterübersicht.

Zögern bei Modellen der Vorgängergeneration

Bei Modellen der früheren Generation enthält der Service für die meisten Sprachen Hesitation-Marker in Transkriptionsergebnissen. Verschiedene Sprachen können unterschiedliche Zögerungsmarker verwenden oder Zögerungen überhaupt nicht anzeigen:

• Englisch (Vereinigte Staaten): Verzögerungsmarkierungen werden durch das Token %HESITATION angegeben. Wörter, die Stockungsmarkierungen generieren, sind aah, ah, hm, hmm, huh, huh-uh, hum, ohh, ugh, uh, uh-huh, uh-oh, uh-uh, um und um-hum.
• Japanisch: Verzögerungsmarkierungen beginnen in der Regel mit D_.
• Spanisch: Der Service erzeugt keine Verzögerungsmarkierungen.

Das folgende Beispiel zeigt das Token %HESITATION für eine Transkription in amerikanischem Englisch:

{
  "result_index": 0,
  "results": [
    {
      "alternatives": [
        {
          "confidence": 0.99,
          "transcript": ". . . that %HESITATION that's a . . ."
        }
      ],
      "final": true
    }
  ]
}

Stockungsmarkierungen können sowohl in den Zwischenergebnissen als auch in den Endergebnissen angezeigt werden. Wenn die intelligenten Formatierung aktiviert ist, werden in den Endergebnissen für amerikanisches Englisch keine Verzögerungsmarkierungen angegeben. Weitere Informationen finden Sie im Abschnitt Intelligente Formatierung.

Stockungsmarkierungen können auch in anderen Feldern einer Transkription auftreten. Falls Sie beispielsweise Wortzeitmarken für die einzelnen Wörter einer Transkription anfordern, meldet der Service die Anfangs- und Endzeit jeder Stockungsmarkierung.

{
  "result_index": 0,
  "results": [
    {
      "alternatives": [
        {
          "timestamps": [
            . . .
            [
              "that",
              7.31,
              7.69
            ],
            [
              "%HESITATION",
              7.69,
              7.98
            ],
            [
              "that's",
              7.98,
              8.41
            ],
            [
              "a",
              8.41,
              8.48
            ],
            . . .
          ],
          "confidence": 0.99,
          "transcript": ". . . that %HESITATION that's a . . ."
        }
      ],
      "final": true
    }
  ]
}

Sofern Sie Stockungsmarkierungen für Ihre Anwendung nicht benötigen, können Sie sie problemlos aus einer Transkription herausfiltern.

Zögern bei Modellen der nächsten Generation

Bei Modellen der nächsten Generation enthält der Service die tatsächlichen zögernden Wörter in allen Transkriptionsergebnissen. Modelle der nächsten Generation behandeln Hesitationen als Wörter, sodass Hesitationen in Zwischenergebnissen, Endergebnissen und anderen Feldern wie den Ergebnissen für Wortzeitmarken auftreten können. Modelle der nächsten Generation erzeugen keine Stockungsmarkierungen und die Aktivierung der intelligenten Formatierung führt nicht dazu, dass Hesungen aus den Endergebnissen entfernt werden. Verschiedene Sprachen können unterschiedliche zögerliche Wörter identifizieren:

• Für amerikanisches Englisch sind allgemeine zögerliche Wörter wie bei Modellen der vorherigen Generation aah, ah, hm, hmm, huh, huh-uh, hum, ohh, ugh, uh, uh-huh, uh-oh, uh-uh, um und um-hum. Nicht alle diese zögerlichen Wörter könnten in Transkripten erscheinen.
• Für Japanisch bestehen zögerliche Wörter in der Regel aus Zeichen mit halber Breite wie ｱ, ｱﾉｰ, ｳｰﾝ, ｴｰﾄ, ﾏ, ﾃ, ﾏund ﾝｰﾄ. Einige Zögern werden möglicherweise als Zeichen mit voller Breite erkannt.

Um die Wahrscheinlichkeit zu erhöhen, dass in Ihrer Antwort Zögern auftreten, können Sie ein angepasstes Sprachmodell verwenden. Fügen Sie im angepassten Modell Korpora hinzu, die die Hesitationen enthalten, oder erstellen Sie angepasste Wörter, deren Klänge die Art und Weise erfassen, wie Benutzer die Disfluenzen sagen. Weitere Informationen zu angepassten Sprachmodellen finden Sie unter Angepasstes Sprachmodell erstellen.

Das folgende Beispiel zeigt das Zögern "uhm" in einem US-Englisch-Transkript:

{
  "result_index": 0,
  "results": [
    {
      "alternatives": [
        {
          "confidence": 0.99,
          "transcript": ". . . that uhm that's a . . ."
        }
      ],
      "final": true
    }
  ]
}