Google: Chirp 3

Google Chirp 3 er en flersproget model til automatisk talegenkendelse, som omdanner talt lyd til tekst. Google dokumenterer den som transskriptionsmodellen Chirp 3 i sin Speech-to-Text V2-familie med modelidentifikatoren chirp_3. Formålet er at genkende optaget eller streamet tale med sprogidentifikation og transskriptionsspecifikke funktioner. Resultatet er et transkript og de metadata, som den valgte genkendelsesmetode understøtter, frem for genereret tale eller et åbent assistentsvar.

Producenten skelner mellem streaminggenkendelse, synkron genkendelse til korte klip og batchgenkendelse til længere optagelser. Vælg metoden efter kildelyden og det påkrævede resultat. Til en kort talebesked kan et færdigt tekstsvar være tilstrækkeligt. Til et interview eller et optaget opkald kan et batchresultat med taleroplysninger være mere nyttigt. Ved livetekster eller en grænseflade til talekommandoer skal du holde foreløbig tekst adskilt fra det endelige genkendelsesresultat og bevare det lydinterval, det beskriver.

Forbered lyd i den kodning, som genkendelsesimplementeringen forventer. Googles Chirp 3-eksempler bruger automatisk registreret afkodning til optagede filer og eksplicit afkodning til en konfiguration med rå streaminglyd. Den tilknyttede V2-afkoderreference angiver blandt sine understøttede kodninger WAV PCM eller kompanderet lyd, FLAC, MP3, Ogg/WebM Opus og AAC i MP4-, M4A- eller MOV-containere. Et containernavn erstatter ikke den faktiske codec- og samplekonfiguration. Bevar tydelig tale, og undgå kraftig overstyring eller unødvendig konvertering, der fjerner hørbare detaljer.

Chirp 3 kan automatisk identificere og transskribere det dominerende sprog, og et sæt forventede sprogvarianter kan indsnævre genkendelsesmulighederne. Sprogtilgængeligheden varierer efter metode og funktion. Listen over transskriptionssprog er bredere end listen for taleradskillelse, så genkendelse af et sprog dokumenterer ikke, at alle taler- eller tidsfunktioner gælder for det. Brug den sprogvariant, der passer til optagelsen, og bevar navne fra sprogskift eller fagtermer til gennemgang. En registreret sprogetiket er en del af resultatet, ikke dokumentation for, at alle usædvanlige ord blev genkendt korrekt.

Taleradskillelse grupperer tale efter stemme i en optagelse med én kanal. Google giver et eksempel på batchtransskription med taleroplysninger for hvert ord. Ved et interview skal du bevare disse etiketter sammen med den genkendte tekst og sammenligne talerskift med optagelsen, før du knytter faktiske navne eller roller til dem. Lignende stemmer, afbrydelser og overlappende tale kan gøre tilordning vanskelig. Gør kildens kanalopbygning og den tilsigtede talergennemgang tydelig frem for at behandle en etiket som en uafhængigt verificeret identitet.

Tidsoplysninger er også metodespecifikke. Streaminggenkendelse giver tidsstempler på ytringsniveau, mens producentens vejledning om filgenkendelse beskriver valgfrie ordtider med en mulig afvejning i forhold til transskriptionskvaliteten. Bevar de metadata, som den valgte metode faktisk returnerer, og gennemgå tidsjusteringen sammen med ordlyden. En undertekstningsarbejdsgang kræver begge dele: læsbar genkendt tekst og dokumentation for, at en tidsgrænse passer til den rigtige lyd. Google advarer også om, at den returnerede confidence-værdi på ordniveau ikke er en reel sikkerhedsscore, så den bør ikke bruges til at attestere, at et ord er korrekt.

Taletilpasning leverer fraser og egennavne, der sandsynligvis forekommer i optagelsen. Producenten dokumenterer en ordbog med op til 1.000 fraser og anbefaler så få relevante poster som muligt for at undgå at forringe genkendelsen af andre termer. Til et teknisk oplæg skal du forberede en kort liste over faktiske produktnavne og forkortelser og derefter gennemgå dem i transkriptet. Vægtningen hjælper genkendelsen med at overveje en term; den dokumenterer ikke, at termen blev sagt, og erstatter ikke en kontrol mod lyden.

Modellen tilføjer automatisk tegnsætning og store bogstaver, som den dokumenterede grænseflade kan deaktivere. Google beskriver også en previewfunktion til brugerdefinerede instruktioner for transskriptionsformat, eksempelvis hvordan et bestemt navn eller en bestemt dato skal skrives. Hold disse instruktioner fokuseret på formatering af den genkendte tale. Et transkript, der normaliserer en dato eller skriver et brandnavn med stort, skal stadig bevare den talte betydning. En sammenfatning, oversættelse eller faktuel analyse er en senere brug af transkriptet frem for noget, som genkendelsesresultatet i sig selv fastslår.

Den indbyggede støjreduktion skal dæmpe baggrundsmusik og miljølyde som regn eller gadestøj. Google angiver udtrykkeligt, at den ikke kan fjerne menneskestemmer i baggrunden. Bevar denne skelnen, når du forbereder en optagelse med overlappende samtaler. Sammenhold støjende og stille afsnit med kilden frem for at antage, at et renere udseende transkript beviser, at den forstyrrende lyd blev fjernet. Et nyttigt resultat gør usikre passager genkendelige, så de kan rettes.

Ved streamingopgaver ændrer følsomheden for ytringsafslutning, hvornår en ytring behandles som færdig. Producenten beskriver indstillingerne standard, short og supershort til stadig kortere forventet tale. En hurtigere indstilling kan afbryde en taler, der holder pause midt i en tanke. Tilpas indstillingen til naturlig diktat, en kort sætning eller en meget kort kommando, og bevar status for det endelige resultat sammen med transkriptet. Ved en færdig fil skal du gennemgå navne, mængder, negationer og talergrænser og derefter bevare den valgte metode og kildelyden, så resultatet kan kontrolleres eller genbruges.