Google: Chirp 3

Το Google Chirp 3 είναι ένα πολύγλωσσο μοντέλο αυτόματης αναγνώρισης ομιλίας που μετατρέπει τον προφορικό ήχο σε κείμενο. Η Google το τεκμηριώνει ως το μοντέλο απομαγνητοφώνησης Chirp 3 στην οικογένεια Speech-to-Text V2, με αναγνωριστικό μοντέλου chirp_3. Σκοπός του είναι η αναγνώριση εγγεγραμμένης ομιλίας ή ομιλίας σε ροή, με ανίχνευση γλώσσας και δυνατότητες ειδικά για απομαγνητοφώνηση. Το παραδοτέο που προκύπτει είναι μια απομαγνητοφώνηση και τα μεταδεδομένα που υποστηρίζει η επιλεγμένη μέθοδος αναγνώρισης, αντί για παραγόμενη ομιλία ή μια ανοικτού τύπου απάντηση βοηθού.

Ο κατασκευαστής διακρίνει την αναγνώριση σε ροή, τη σύγχρονη αναγνώριση για σύντομα αποσπάσματα και την αναγνώριση σε παρτίδες για μεγαλύτερες εγγραφές. Επιλέξτε τρόπο λειτουργίας ανάλογα με τον ήχο προέλευσης και το απαιτούμενο αποτέλεσμα. Για ένα σύντομο φωνητικό σημείωμα, μια ολοκληρωμένη απόκριση κειμένου μπορεί να αρκεί. Για μια συνέντευξη ή μια καταγεγραμμένη κλήση, ένα αποτέλεσμα παρτίδας με πληροφορίες ομιλητών μπορεί να είναι πιο χρήσιμο. Για ζωντανούς υπότιτλους ή μια διεπαφή φωνητικών εντολών, κρατήστε το ενδιάμεσο κείμενο διακριτό από το τελικό αποτέλεσμα αναγνώρισης και διατηρήστε το χρονικό διάστημα ήχου που περιγράφει.

Προετοιμάστε τον ήχο στην κωδικοποίηση που αναμένει η υλοποίηση αναγνώρισης. Τα παραδείγματα Chirp 3 της Google χρησιμοποιούν αυτόματα ανιχνευόμενη αποκωδικοποίηση για εγγεγραμμένα αρχεία και ρητά καθορισμένη αποκωδικοποίηση για διαμόρφωση ροής ακατέργαστου ήχου. Η σχετική τεκμηρίωση αποκωδικοποιητή V2 αναφέρει WAV PCM ή ήχο με συμπίεση και αποσυμπίεση δυναμικού εύρους, FLAC, MP3, Ogg/WebM Opus και AAC σε περιέκτες MP4, M4A ή MOV, μεταξύ των υποστηριζόμενων κωδικοποιήσεων. Η ονομασία ενός περιέκτη δεν υποκαθιστά τον πραγματικό κωδικοποιητή και τη διαμόρφωση δειγματοληψίας. Διατηρήστε καθαρή ομιλία και αποφύγετε έντονο ψαλιδισμό ή περιττές μετατροπές που χάνουν ακουστικές λεπτομέρειες.

Το Chirp 3 μπορεί να αναγνωρίσει και να απομαγνητοφωνήσει αυτόματα την κυρίαρχη γλώσσα, ενώ ένα σύνολο αναμενόμενων τοπικών ρυθμίσεων μπορεί να περιορίσει τις επιλογές αναγνώρισής του. Η διαθεσιμότητα γλωσσών διαφέρει ανά μέθοδο και δυνατότητα. Η λίστα γλωσσών απομαγνητοφώνησης είναι ευρύτερη από τη λίστα διαχωρισμού ομιλητών, επομένως η αναγνώριση μιας γλώσσας δεν αποδεικνύει ότι ισχύει γι’ αυτήν κάθε δυνατότητα ομιλητών ή χρονισμού. Χρησιμοποιήστε την τοπική ρύθμιση που ταιριάζει στην εγγραφή και διατηρήστε για έλεγχο ονόματα που εμφανίζονται κατά την εναλλαγή γλωσσών ή εξειδικευμένους όρους. Η ετικέτα μιας ανιχνευμένης γλώσσας αποτελεί μέρος του αποτελέσματος, όχι απόδειξη ότι αναγνωρίστηκαν σωστά όλες οι ασυνήθιστες λέξεις.

Ο διαχωρισμός ομιλητών ομαδοποιεί την ομιλία ανά φωνή σε μια μονοκαναλική εγγραφή. Η Google παρέχει παράδειγμα απομαγνητοφώνησης σε παρτίδες με πληροφορίες ομιλητή ανά λέξη. Για μια συνέντευξη, διατηρήστε αυτές τις ετικέτες μαζί με το αναγνωρισμένο κείμενο και συγκρίνετε τις αλλαγές ομιλητή με την εγγραφή πριν αποδώσετε πραγματικά ονόματα ή ρόλους. Οι παρόμοιες φωνές, οι διακοπές και η αλληλοεπικαλυπτόμενη ομιλία μπορούν να δυσκολέψουν την απόδοση. Διατηρήστε σαφή τη διάταξη καναλιών της πηγής και την προβλεπόμενη εργασία ελέγχου ομιλητών αντί να αντιμετωπίζετε μια ετικέτα ως ανεξάρτητα επαληθευμένη ταυτότητα.

Ο χρονισμός εξαρτάται επίσης από τη μέθοδο. Η αναγνώριση σε ροή παρέχει χρονικές σημάνσεις σε επίπεδο εκφωνήματος, ενώ οι οδηγίες αναγνώρισης αρχείων του κατασκευαστή περιγράφουν προαιρετικό χρονισμό λέξεων με πιθανό συμβιβασμό στην ποιότητα απομαγνητοφώνησης. Διατηρήστε τα μεταδεδομένα που πραγματικά επιστρέφει η επιλεγμένη μέθοδος και ελέγξτε την ευθυγράμμιση μαζί με τη διατύπωση. Μια ροή υποτιτλισμού χρειάζεται και τα δύο: ευανάγνωστο αναγνωρισμένο κείμενο και τεκμήρια ότι ένα χρονικό όριο αντιστοιχεί στον σωστό ήχο. Η Google προειδοποιεί επίσης ότι η επιστρεφόμενη τιμή εμπιστοσύνης σε επίπεδο λέξης δεν είναι πραγματική βαθμολογία εμπιστοσύνης, οπότε δεν πρέπει να χρησιμοποιείται για πιστοποίηση της ορθότητας μιας λέξης.

Η προσαρμογή ομιλίας παρέχει φράσεις και κύρια ονόματα που είναι πιθανό να εμφανιστούν στην εγγραφή. Ο κατασκευαστής τεκμηριώνει λεξικό έως 1,000 φράσεων και συνιστά όσο το δυνατόν λιγότερες σχετικές καταχωρίσεις, ώστε να αποφεύγεται η υποβάθμιση της αναγνώρισης άλλων όρων. Για μια τεχνική παρουσίαση, προετοιμάστε μια μικρή λίστα πραγματικών ονομάτων προϊόντων και συντομογραφιών και έπειτα ελέγξτε τα στην απομαγνητοφώνηση. Η ενίσχυση πιθανότητας βοηθά την αναγνώριση να εξετάσει έναν όρο· δεν τεκμηριώνει ότι ο όρος ειπώθηκε ούτε αντικαθιστά τον έλεγχο σε σχέση με τον ήχο.

Το μοντέλο παρέχει αυτόματη στίξη και χρήση κεφαλαίων, τις οποίες η τεκμηριωμένη διεπαφή μπορεί να απενεργοποιήσει. Η Google περιγράφει επίσης μια δυνατότητα προέκδοσης για προσαρμοσμένες οδηγίες μορφοποίησης απομαγνητοφώνησης, όπως τον τρόπο γραφής ενός συγκεκριμένου ονόματος ή μιας ημερομηνίας. Κρατήστε αυτές τις οδηγίες εστιασμένες στη μορφοποίηση της αναγνωρισμένης ομιλίας. Μια απομαγνητοφώνηση που κανονικοποιεί μια ημερομηνία ή χρησιμοποιεί κεφαλαία σε μια επωνυμία πρέπει και πάλι να διατηρεί το προφορικό νόημα. Η περίληψη, η μετάφραση ή η πραγματολογική ανάλυση είναι μεταγενέστερες χρήσεις της απομαγνητοφώνησης και δεν τεκμηριώνονται από το ίδιο το αποτέλεσμα αναγνώρισης.

Ο ενσωματωμένος μηχανισμός αποθορυβοποίησης προορίζεται να μειώνει τη μουσική υποβάθρου και περιβαλλοντικούς ήχους, όπως βροχή ή θόρυβο δρόμου. Η Google δηλώνει ρητά ότι δεν μπορεί να αφαιρέσει ανθρώπινες φωνές από το υπόβαθρο. Διατηρήστε αυτή τη διάκριση όταν προετοιμάζετε μια εγγραφή με αλληλοεπικαλυπτόμενη συνομιλία. Ελέγξτε τα θορυβώδη και τα ήσυχα τμήματα σε σχέση με την πηγή αντί να υποθέτετε ότι μια καθαρότερη απομαγνητοφώνηση αποδεικνύει ότι αφαιρέθηκε ο παρεμβαλλόμενος ήχος. Ένα χρήσιμο αποτέλεσμα κρατά τα αβέβαια αποσπάσματα αναγνωρίσιμα για διόρθωση.

Για εργασίες σε ροή, η ευαισθησία εντοπισμού τέλους εκφωνήματος αλλάζει το πότε ένα εκφώνημα θεωρείται ολοκληρωμένο. Ο κατασκευαστής περιγράφει ρυθμίσεις standard, short και supershort για όλο και πιο σύντομη αναμενόμενη ομιλία. Μια ταχύτερη ρύθμιση μπορεί να διακόψει έναν ομιλητή που κάνει παύση στη μέση της σκέψης του. Προσαρμόστε τη ρύθμιση σε φυσική υπαγόρευση, σε μια σύντομη πρόταση ή σε μια πολύ σύντομη εντολή και κρατήστε την ένδειξη τελικού αποτελέσματος μαζί με την απομαγνητοφώνηση. Για ένα ολοκληρωμένο αρχείο, ελέγξτε ονόματα, ποσότητες, αρνήσεις και όρια ομιλητών και έπειτα διατηρήστε τον επιλεγμένο τρόπο λειτουργίας και τον ήχο προέλευσης, ώστε το αποτέλεσμα να μπορεί να ελεγχθεί ή να επαναχρησιμοποιηθεί.