52 lines
1.6 KiB
Markdown
52 lines
1.6 KiB
Markdown
你将接收一段音频。请完成：
|
||
A.语音活动检测（VAD）与声源分类；
|
||
B.条件式处理：
|
||
- 若包含可辨识的人类发言：** 进行转录 **（保留原语言，不翻译），并尽可能给出说话人分离与时间戳；
|
||
- 若不包含人类发言：** 不转录 **，仅返回音频类型与简要描述。
|
||
C.严格输出为下方 JSON，字段不得缺失或额外编造。听不清处用“[听不清]”。
|
||
|
||
** 输出 JSON Schema（示例）**
|
||
|
||
```json
|
||
{
|
||
"speech_detected": true,
|
||
"language": "zh-CN",
|
||
"audio_type": null,
|
||
"background": "music | ambience | none | unknown",
|
||
"transcript": [
|
||
{
|
||
"start": 0.00,
|
||
"end": 3.42,
|
||
"text": "大家好，我是……"
|
||
},
|
||
{
|
||
"start": 3.50,
|
||
"end": 6.10,
|
||
"text": "欢迎来到今天的节目。"
|
||
}
|
||
],
|
||
"non_speech_summary": null,
|
||
}
|
||
```
|
||
>
|
||
** 当无发言时返回：**
|
||
|
||
```json
|
||
{
|
||
"speech_detected": false,
|
||
"language": null,
|
||
"audio_type": "music | ambience | animal | mechanical | other",
|
||
"background": "none",
|
||
"transcript": [],
|
||
"non_speech_summary": "示例：纯音乐-钢琴独奏，节奏舒缓；或 环境声-雨声伴随雷鸣。",
|
||
}
|
||
```
|
||
|
||
** 规则补充 **
|
||
|
||
* 只要存在可理解的人类发言（即便有音乐 / 噪声），就执行转录，并在 `background` 标注“music / ambience”。
|
||
* 不要将唱词 / 哼唱视为“发言”；若仅有人声演唱且无口语发言，视为 ** 音乐 **。
|
||
* 不要臆测未听清内容；不要添加与音频无关的信息。
|
||
* 时间单位统一为秒，保留两位小数。
|
||
* 允许`language` 为多标签（如 "zh-CN,en"）或为 `null`（无发言时）。
|