Google: Chirp 3

Google Chirp 3 je vícejazyčný model automatického rozpoznávání řeči, který převádí mluvený zvuk na text. Google jej dokumentuje jako model přepisu Chirp 3 v rámci rodiny Speech-to-Text V2 s identifikátorem modelu chirp_3. Jeho účelem je rozpoznávání nahrané nebo streamované řeči s detekcí jazyka a funkcemi určenými pro přepis. Výsledným výstupem je přepis a metadata podporovaná zvolenou metodou rozpoznávání, nikoli vygenerovaná řeč nebo volně formulovaná odpověď asistenta.

Výrobce rozlišuje streamované rozpoznávání, synchronní rozpoznávání krátkých klipů a dávkové rozpoznávání delších nahrávek. Režim zvolte podle zdrojového zvuku a požadovaného výsledku. U krátké hlasové poznámky může stačit dokončená textová odpověď. U rozhovoru nebo nahraného hovoru může být užitečnější dávkový výsledek s informacemi o mluvčích. U živých titulků nebo rozhraní ovládaného hlasovými příkazy rozlišujte průběžný text od konečného výsledku rozpoznávání a zachovejte zvukový úsek, který popisuje.

Připravte zvuk v kódování, které implementace rozpoznávání očekává. Příklady Chirp 3 od Googlu používají u nahraných souborů automaticky detekované dekódování a u konfigurace streamování surového zvuku explicitně nastavené dekódování. Související referenční dokumentace dekodéru V2 uvádí mezi podporovanými kódováními WAV PCM nebo kompandovaný zvuk, FLAC, MP3, Ogg/WebM Opus a AAC v kontejnerech MP4, M4A či MOV. Název kontejneru nenahrazuje skutečný kodek a nastavení vzorkování. Zachovejte srozumitelnou řeč a vyhněte se silnému přebuzení nebo zbytečným převodům, při nichž se ztrácejí slyšitelné detaily.

Chirp 3 dokáže automaticky určit a přepsat převládající jazyk a sada očekávaných jazykových variant může zúžit možnosti rozpoznávání. Dostupnost jazyků se liší podle metody a funkce. Seznam jazyků pro přepis je širší než seznam jazyků pro diarizaci, takže rozpoznávání určitého jazyka samo o sobě nedokládá, že jsou pro něj dostupné všechny funkce týkající se mluvčích nebo časových údajů. Použijte jazykovou variantu odpovídající nahrávce a jména pronesená při střídání jazyků nebo odborné termíny ponechte ke kontrole. Označení detekovaného jazyka je součástí výsledku, nikoli důkazem, že všechna neobvyklá slova byla rozpoznána správně.

Diarizace mluvčích seskupuje řeč podle hlasu v jednokanálové nahrávce. Google uvádí příklad dávkového přepisu s informacemi o mluvčím u každého slova. U rozhovoru zachovejte tato označení spolu s rozpoznaným textem a před přiřazením skutečných jmen nebo rolí porovnejte změny mluvčích s nahrávkou. Podobné hlasy, přerušování a překrývající se řeč mohou přiřazení ztížit. Ujasněte si uspořádání kanálů zdrojové nahrávky i účel zamýšlené kontroly mluvčích a nepovažujte pouhé označení za nezávisle ověřenou identitu.

Také časové údaje závisejí na metodě. Streamované rozpoznávání poskytuje časové značky na úrovni promluv, zatímco pokyny výrobce k rozpoznávání ze souborů popisují volitelné časové údaje jednotlivých slov s možným dopadem na kvalitu přepisu. Uchovejte metadata, která zvolená metoda skutečně vrátí, a spolu se zněním zkontrolujte i časové zarovnání. Pracovní postup tvorby titulků potřebuje obojí: čitelný rozpoznaný text a podklad pro ověření, že časová hranice odpovídá správnému zvuku. Google také upozorňuje, že vrácená hodnota jistoty na úrovni slov není skutečným skóre spolehlivosti, a proto by se neměla používat k potvrzení správnosti slova.

Přizpůsobení rozpoznávání řeči poskytuje fráze a vlastní jména, které se v nahrávce pravděpodobně objeví. Výrobce dokumentuje slovník až 1,000 frází a doporučuje co nejmenší počet relevantních položek, aby se nezhoršilo rozpoznávání ostatních výrazů. U technické prezentace připravte krátký seznam skutečných názvů produktů a zkratek a poté je v přepisu zkontrolujte. Zvýhodnění výrazu pomáhá rozpoznávání tento výraz zohlednit; nedokládá, že byl vysloven, ani nenahrazuje kontrolu podle zvuku.

Model nabízí automatickou interpunkci a psaní velkých písmen, které lze v dokumentovaném rozhraní vypnout. Google také popisuje funkci ve verzi preview pro vlastní pokyny k formátování přepisu, například jak zapsat konkrétní jméno nebo datum. Tyto pokyny zaměřte na formátování rozpoznané řeči. Přepis, který sjednotí zápis data nebo upraví velká písmena v názvu značky, musí stále zachovat význam promluvy. Shrnutí, překlad nebo faktická analýza jsou následným využitím přepisu, nikoli něčím, co samotný výsledek rozpoznávání prokazuje.

Vestavěná funkce potlačení šumu je určena k omezení hudby na pozadí a okolních zvuků, například deště nebo hluku ulice. Google výslovně uvádí, že nedokáže odstranit lidské hlasy na pozadí. Při přípravě nahrávky s překrývajícími se hovory tento rozdíl zachovejte. Hlučné i tiché úseky zkontrolujte podle zdroje, místo abyste předpokládali, že úhlednější přepis dokazuje odstranění rušivého zvuku. Užitečný výsledek ponechává nejisté pasáže rozpoznatelné pro opravu.

U streamovaných úloh citlivost detekce konce promluvy mění okamžik, kdy se promluva považuje za ukončenou. Výrobce popisuje nastavení standard, short a supershort pro stále kratší očekávanou řeč. Rychlejší nastavení může předčasně ukončit rozpoznávání mluvčího, který se uprostřed myšlenky odmlčí. Nastavení přizpůsobte přirozenému diktování, krátké větě nebo velmi stručnému příkazu a spolu s přepisem uchovejte stav označující konečný výsledek. U dokončeného souboru zkontrolujte jména, množství, zápory a hranice promluv jednotlivých mluvčích a poté uchovejte zvolený režim a zdrojový zvuk, aby bylo možné výsledek ověřit nebo znovu použít.