Представлю короткий анонс про вымышленную вечернюю мастерскую. В нём хорошо слышно первое слово, но перед названием что-то щёлкает, а конец фразы тонет в шуме. Пересказ текста может вернуть правильное название по смыслу. Из этого ещё не следует, что его разберёт зритель. Для своего черновика я задам нейросети узкое условие: выписать уверенно слышимые слова и отметить момент, когда запись становится неясной. После этого открою запись сам и сравню громкость фразы и фона на коротких отрезках. По двум проверкам можно решить, перечитать ли одно предложение или поправить запись целиком.
Такой анализ нужен, когда голос уже записан. Если у меня только текст, могу вычитать формулировку, но места шума и пауз станут видны лишь после записи. Для теста возьму свой короткий дубль без имён, адресов и чужих разговоров. Можно вообще придумать фразу о нейтральном событии. Главное оставить рядом сценарий и звук. Тогда подсказки модели будут соотноситься со словами, а не с догадкой о говорящем.
Что попросить услышать в коротком фрагменте
Я выберу одну фразу, например «Вечером открываем малый зал. Вход рядом с деревянными воротами». Выпишу слова, которые должны остаться ясными, и отдельно отмечу, где в записи ожидалась пауза. Для расшифровки не буду заранее сообщать текст целиком. Иначе сложно увидеть, откуда модель взяла привычное слово, из записи или из подсказки. Начну с отдельного короткого файла WAV. Разбор голоса не должен зависеть от названия папки или времени публикации.
Документация Gemini API показывает расшифровку аудио по текстовому запросу и обращение к заданным отрезкам в формате минут и секунд. При работе через другой интерфейс отдельно проверю, принимает ли он аудио. Время, указанное моделью, для первого просмотра будет ориентиром. Для точной монтажной границы открою запись в редакторе. Аудио и таймкоды в Gemini API
Прослушай этот короткий дубль. Выпиши слышимые слова по порядку и предложи время для начала каждого предложения. Если часть не удаётся разобрать, поставь пометку «неясно» и укажи примерный участок. Отдельно отметь, где речь пересекается с заметным посторонним звуком. Не восстанавливай слова по теме объявления.
