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.
", "aboutText": "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.\n\nProducenten 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.\n\nForbered 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.\n\nChirp 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.\n\nTaleradskillelse 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.\n\nTidsoplysninger 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.\n\nTaletilpasning 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.\n\nModellen 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.\n\nDen 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.\n\nVed 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.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "da0ed39950442e2bfcb66ca8a51c7260a42010fea1d8d8579ff38de06b4cbcff", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "da", "methods": [ { "html": "google/chirp-3Google Chirp 3 er en flersproget talegenkendelsesmodel til streaming, korte optagelser og batchtransskription af længere optagelser. Den tilbyder automatisk sprogidentifikation, tegnsætning, ordforrådstilpasning og metodeafhængige tids- eller talermetadata. Støjreduktionen dæmper baggrundsstøj, men kan ikke fjerne andre stemmer.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
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.
POST /v1/audio/transcriptionsaudiotext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser google/chirp-3 | Standard— |
Feltinput_audio | Typeobject | KravPåkrævet | Værdier og grænser | Standard— |
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, input_audio |
Parametermaterial_types | Kontraktaudio |
Parametermaterial_conditions | KontraktEksemplet læser din faktiske, ikke-tomme PCM WAV-fil, koder samtlige bytes i filen som base64 og sender input_audio.format som wav. |
Livscyklus: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · præcist task_id fra en eksisterende mediepost, du ejer
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Afregningsenhed | Beløb |
|---|---|---|---|
| KonfigurationGrundpriser for tokens | TakstplanGrundtakst | Afregningsenhed— | Beløb Input · Inputtokens — / 1K tokens Output · Outputtokens — / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| Konfigurationsekund inputlyd | Takstplan— | Afregningsenhedpr. sekund lydinput | Beløb Input · sekund inputlyd $0.000533333333334 pr. sekund lydinput |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_AUDIO_FILE:?Set the path to your actual PCM WAV recording}"\nexport AILOOT_AUDIO_FILE\npython3 - <<'PY_REQUEST'\nimport base64, io, json, os, wave\nfrom pathlib import Path\naudio = Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()\nif not (audio[:4] == b'RIFF' and audio[8:12] == b'WAVE'):\n raise SystemExit('Supply your actual PCM WAV audio file')\nwith wave.open(io.BytesIO(audio), 'rb') as recording:\n if recording.getcomptype() != 'NONE' or recording.getnframes() <= 0:\n raise SystemExit('Supply a nonempty PCM WAV recording')\nrequest = {'model': 'google/chirp-3', 'input_audio': {'data': base64.b64encode(audio).decode('ascii'), 'format': 'wav'}}\nPath('request.json').write_text(json.dumps(request, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o response.bin\n# Retain the complete original response, headers and actual X-Client-Request-ID.\n# Read existing owned records for recovery; do not resubmit an uncertain operation.\nHele det oprindelige svarindhold, status og videresendte headere. Denne handler tilføjer hverken en universel JSON-struktur, et tekstfelt eller en opgaveindpakning.
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Gem hele svaret og alle headere, alle faktisk returnerede output, de oprindeligt returnerede identifikatorer og alle felter med forbrugsdata. Gendan den oprindelige operation uden at sende oprettelsesanmodningen igen.
Behold det faktiske X-Client-Request-ID og hele svaret. Læs de oprindelige aktiver, du ejer, og deres præcise signerede indholds-URL’er; indsend aldrig en oprettelse med usikkert udfald igen.
| Felt | Type |
|---|---|
Felttext (when present) | Type |
Feltusage (when present) | Type |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseJSON-indholdet eller det eksplicitte kanoniske model-ID er ugyldigt. | Næste trinBehold svaret, og ret det angivne forespørgselsfelt. |
Svar401 · authentication_error | BetingelseAiloot API-nøglen er ugyldig. | Næste trinBrug din autoriserede Ailoot API-nøgle. |
Svar403 · permission_error | BetingelseNøglens gruppe giver ikke adgang til denne metode. | Næste trinBehold de returnerede fejloplysninger. |
Svar404 · not_found_error | BetingelseDen valgte metode har ingen rute med adgangstilladelse. | Næste trinBehold de returnerede fejloplysninger. |
Svar422 · price_unavailable | BetingelseDen accepterede tarif kan ikke hente den påkrævede inputmængde eller grænse. | Næste trinBehold svaret; brug den inputrepræsentation, som den accepterede tarif kræver. |
Svar503 · | BetingelsePåkrævet lager, rute, metodepris eller reservation er utilgængelig. | Næste trinBehold hele det oprindelige svar. En usikker reservation giver ikke tilladelse til at indsende igen. |
Svar502 · server_error | BetingelseDet oprindelige resultat, forbrug eller den oprindelige afregning skal kontrolleres. | Næste trinBehold det faktiske forespørgsels-ID og det oprindelige svar. Læs den eksisterende post, du ejer; indsend ikke oprettelsen igen. |
Ailoot Ultra google/chirp-3
Brug metodestierne vist ovenfor.