Kensho

Os modelos acústico e de linguagem foram treinados com áudio financeiro etiquetado pela S&P Global, cerca de 300 mil horas na versão atual. Por isso reconhece o vocabulário de uma call de resultados, os códigos de bolsa e os cargos de executivos. Sistemas feitos para conversa geral erram exatamente nesses termos.

O Scribe pontua o texto e tira vícios de linguagem, recomeços e repetições enquanto escreve. O que sai parece uma transcrição já revisada por alguém. O leitor e as rotinas de processamento de linguagem natural não herdam o ruído do áudio. Para um time de análise, a diferença entre documento útil e despejo bruto mora nesse passo.

Modelos separados detectam a troca de voz e atribuem cada fala. Ao ler uma call, dá para separar a resposta do diretor financeiro das instruções do operador de relance. Na rodada de perguntas, quando vários falam ao mesmo tempo, a diarização pesa mais.

Um POST com o áudio ou vídeo dispara o trabalho, seja enviando o arquivo, seja passando um link que o Scribe baixa. A resposta traz um identificador e o processamento segue em segundo plano. Você consulta o status ou espera o callback e depois retira o resultado em JSON ou Word.

O endpoint em tempo real aceita áudio sem compressão conforme ele é produzido e devolve texto durante a sessão. A conexão dura até cinco horas com envio no dobro da velocidade real, folga suficiente para reuniões e webinars longos. É o caminho para legendas ao vivo e anotações em tempo real.

Quando a saída automática não resolve, o serviço com revisão humana soma transcritores profissionais que corrigem e formatam. Você define a prioridade conforme o contrato, e os prazos para prioridade alta, média e baixa são combinados antes. O resultado chega em documento do Word.