Транскрибация для лингвистических исследований и корпусов

Получайте черновые расшифровки полевых записей, интервью и корпусов на 100 языках с началом и концом каждого слова и сменой дикторов в JSON, который можно конвертировать для ваших инструментов разметки.

Получить ключ API Быстрый старт Поддерживаемые языки

Обновлено: · Markdown

Почему это выбирают исследователи

  • 100 кодов языков, включая малоресурсные: идиш (yi), амхарский (am), суахили (sw), йоруба (yo), маори (mi) и гавайский (haw). См. полный список.
  • Начало и конец каждого слова для задач выравнивания.
  • Метки дикторов (include_diarization) для реплик в интервью или метки каналов для многомикрофонных записей.
  • Перевод расшифровки на рабочий язык в моделях Oracle — для команд, где не все читают исходный язык.

Запрос для записи интервью

{
  "audio_url": "https://example.org/corpus/session-014.wav",
  "model": "oracle",
  "language": "yi",
  "word_timestamps": true,
  "include_diarization": true,
  "num_speakers": 2,
  "output_format": "json"
}

Результат в JSON содержит segments[] с start, end, speaker, text и words[]. Конвертация в ELAN, Praat TextGrid или CSV — короткий скрипт на вашей стороне; API не экспортирует эти форматы напрямую.

Проверьте результат перед анализом

  • Машинная расшифровка — это черновик. Заложите ручную правку всего, что публикуете или размечаете.
  • Точность зависит от языка, диалекта, качества записи и тематики и ниже для языков с небольшим объёмом обучающего аудио. Измерьте долю ошибок в словах на выборке из своего корпуса, прежде чем расшифровывать его целиком.
  • Для записей с переключением языков задавайте language явно: автоопределение выбирает один язык на файл.
  • Нормализуйте орфографию (диакритику, правила написания) с обеих сторон перед подсчётом ошибок.

Бюджет

Корпус на 100 часов стоит 48 $ на base или 144 $ на oracle при посекундной оплате. Исследовательские группы, которым нужен счёт или условия для больших объёмов, могут обратиться в KolWrite Enterprise.

Вопросы и ответы

Экспортирует ли KolWrite файлы Praat или ELAN?

Нет. Он возвращает JSON с временем сегментов и слов, который легко перевести в TextGrid, EAF или CSV.

Можно ли доверять расшифровкам малоресурсных языков?

Считайте их черновиками. Проверьте выборку, измерьте долю ошибок и заложите вычитку.

Используется ли моё исследовательское аудио для обучения моделей?

На странице моделей KolWrite указывает, что аудио, отправленное через API, не используется для обучения её моделей.

Связанные страницы