Google: Chirp 3

Google Chirp 3 ist ein mehrsprachiges Modell zur automatischen Spracherkennung, das gesprochene Sprache in Text umwandelt. Google dokumentiert es als Transkriptionsmodell Chirp 3 innerhalb seiner Speech-to-Text V2-Familie mit der Modellkennung chirp_3. Es dient dazu, aufgezeichnete oder gestreamte Sprache zu erkennen, und bietet die Erkennung der Sprache sowie transkriptionsspezifische Funktionen. Das Ergebnis ist ein Transkript mit den Metadaten, die das gewählte Erkennungsverfahren unterstützt, statt erzeugter Sprache oder einer offenen Antwort eines Assistenten.

Der Hersteller unterscheidet Streaming-Erkennung, synchrone Erkennung für kurze Clips und Stapelerkennung für längere Aufnahmen. Wählen Sie den Modus passend zur Audioquelle und zum benötigten Ergebnis. Bei einer kurzen Sprachnotiz kann eine abgeschlossene Textantwort genügen. Für ein Interview oder ein aufgezeichnetes Gespräch kann ein Stapelergebnis mit Sprecherinformationen nützlicher sein. Halten Sie bei Live-Untertiteln oder einer Oberfläche für Sprachbefehle Zwischentext und endgültiges Erkennungsergebnis auseinander und bewahren Sie das zugehörige Audiointervall.

Bereiten Sie das Audio in der Kodierung vor, die die Erkennungsimplementierung erwartet. Googles Beispiele für Chirp 3 verwenden eine automatisch erkannte Dekodierung für aufgezeichnete Dateien und eine ausdrücklich angegebene Dekodierung für eine Konfiguration mit rohem Audiostream. Die zugehörige V2-Dekoderreferenz führt WAV PCM oder kompandiertes Audio, FLAC, MP3, Ogg/WebM Opus und AAC in MP4-, M4A- oder MOV-Containern als unterstützte Kodierungen auf. Ein Containername ersetzt nicht die tatsächlichen Codec- und Abtasteinstellungen. Bewahren Sie verständliche Sprache und vermeiden Sie starke Übersteuerung oder unnötige Umwandlungen, bei denen hörbare Details verloren gehen.

Chirp 3 kann die vorherrschende Sprache automatisch erkennen und transkribieren; eine Auswahl erwarteter Sprachvarianten kann die Erkennungsoptionen eingrenzen. Die verfügbaren Sprachen unterscheiden sich je nach Verfahren und Funktion. Die Liste der Transkriptionssprachen ist umfangreicher als die Liste der Sprachen für die Sprechertrennung. Dass eine Sprache erkannt wird, belegt daher nicht, dass jede Sprecher- oder Zeitfunktion für sie gilt. Verwenden Sie die zur Aufnahme passende Sprachvariante und behalten Sie Namen aus Sprachwechseln oder Fachbegriffe zur Prüfung bei. Eine erkannte Sprachbezeichnung ist Teil des Ergebnisses und kein Nachweis dafür, dass alle ungewöhnlichen Wörter korrekt erkannt wurden.

Die Sprechertrennung ordnet Sprache in einer einkanaligen Aufnahme nach Stimmen. Google stellt ein Beispiel für Stapeltranskription mit Sprecherinformationen für jedes Wort bereit. Bewahren Sie bei einem Interview diese Kennzeichnungen zusammen mit dem erkannten Text und vergleichen Sie Sprecherwechsel mit der Aufnahme, bevor Sie tatsächliche Namen oder Rollen zuordnen. Ähnliche Stimmen, Unterbrechungen und überlappende Sprache können die Zuordnung erschweren. Machen Sie die Kanalanordnung der Quelle und die beabsichtigte Prüfung der Sprecher deutlich, statt eine Kennzeichnung als unabhängig geprüfte Identität zu behandeln.

Auch Zeitangaben hängen vom Verfahren ab. Die Streaming-Erkennung liefert Zeitstempel für ganze Äußerungen, während die Anleitung des Herstellers zur Dateierkennung optionale Wortzeitangaben mit einem möglichen Kompromiss bei der Transkriptionsqualität beschreibt. Bewahren Sie die tatsächlich vom gewählten Verfahren zurückgegebenen Metadaten und prüfen Sie die zeitliche Zuordnung zusammen mit dem Wortlaut. Ein Untertitelungsablauf benötigt beides: lesbaren erkannten Text und einen Nachweis dafür, dass eine Zeitgrenze zum richtigen Laut gehört. Google weist außerdem darauf hin, dass der zurückgegebene Konfidenzwert auf Wortebene keine echte Konfidenzbewertung darstellt. Er sollte daher nicht als Beleg für die Richtigkeit eines Wortes dienen.

Die Sprachanpassung stellt Wendungen und Eigennamen bereit, die wahrscheinlich in der Aufnahme vorkommen. Der Hersteller dokumentiert ein Wörterbuch mit bis zu 1.000 Wendungen und empfiehlt möglichst wenige relevante Einträge, damit die Erkennung anderer Begriffe nicht beeinträchtigt wird. Bereiten Sie für einen technischen Vortrag eine kurze Liste tatsächlicher Produktnamen und Abkürzungen vor und prüfen Sie diese anschließend im Transkript. Eine solche Gewichtung hilft der Erkennung, einen Begriff zu berücksichtigen. Sie belegt nicht, dass der Begriff gesprochen wurde, und ersetzt keinen Abgleich mit dem Audio.

Das Modell setzt Satzzeichen und Großschreibung automatisch; die dokumentierte Schnittstelle kann diese Funktionen deaktivieren. Google beschreibt außerdem eine Vorschaufunktion für benutzerdefinierte Anweisungen zum Transkriptionsformat, etwa zur Schreibweise eines bestimmten Namens oder Datums. Beschränken Sie diese Anweisungen auf die Formatierung der erkannten Sprache. Ein Transkript, das ein Datum vereinheitlicht oder einen Markennamen großschreibt, muss dennoch die gesprochene Bedeutung bewahren. Eine Zusammenfassung, Übersetzung oder sachliche Analyse ist eine spätere Verwendung des Transkripts und wird nicht durch das Erkennungsergebnis selbst belegt.

Die integrierte Rauschunterdrückung soll Hintergrundmusik und Umgebungsgeräusche wie Regen oder Straßenlärm verringern. Google erklärt ausdrücklich, dass sie keine menschlichen Stimmen im Hintergrund entfernen kann. Bewahren Sie diese Unterscheidung, wenn Sie eine Aufnahme mit überlappenden Gesprächen vorbereiten. Prüfen Sie laute und ruhige Abschnitte anhand der Quelle, statt aus einem sauberer wirkenden Transkript zu schließen, dass der störende Ton entfernt wurde. Ein nützliches Ergebnis lässt unsichere Passagen für Korrekturen erkennbar.

Bei Streaming-Aufgaben bestimmt die Empfindlichkeit für die Erkennung des Äußerungsendes, wann eine Äußerung als beendet gilt. Der Hersteller beschreibt die Einstellungen standard, short und supershort für zunehmend kurze erwartete Sprachbeiträge. Eine schnellere Einstellung kann einen Sprecher abschneiden, der mitten im Gedanken eine Pause macht. Stimmen Sie die Einstellung auf natürliches Diktieren, einen kurzen Satz oder einen sehr kurzen Befehl ab und bewahren Sie den Status des endgültigen Ergebnisses zusammen mit dem Transkript. Prüfen Sie bei einer fertigen Datei Namen, Mengenangaben, Verneinungen und Sprechergrenzen. Bewahren Sie anschließend den gewählten Modus und die Audioquelle, damit sich das Ergebnis prüfen oder erneut verwenden lässt.