Google: Chirp 3

Google Chirp 3 es un modelo multilingüe de reconocimiento automático de voz que convierte audio hablado en texto. Google lo documenta como el modelo de transcripción Chirp 3 de su familia Speech-to-Text V2, con el identificador de modelo chirp_3. Su propósito es reconocer voz grabada o transmitida, con detección de idioma y funciones específicas de transcripción. El entregable resultante es una transcripción y los metadatos admitidos por el método de reconocimiento seleccionado, en lugar de voz generada o una respuesta abierta de asistente.

El productor distingue reconocimiento en transmisión, reconocimiento síncrono para clips breves y reconocimiento por lotes para grabaciones largas. Elige el modo según el audio de origen y el resultado requerido. Para una nota de voz corta, una respuesta textual completa puede ser suficiente. Para una entrevista o llamada grabada, un resultado por lotes con información de hablantes puede ser más útil. Para subtítulos en vivo o una interfaz de comandos hablados, mantén diferenciado el texto intermedio del resultado final de reconocimiento y conserva el intervalo de audio que describe.

Prepara el audio con la codificación esperada por la implementación de reconocimiento. Los ejemplos de Chirp 3 de Google utilizan decodificación detectada automáticamente para archivos grabados y decodificación explícita para una configuración de transmisión sin procesar. La referencia asociada del decodificador V2 enumera WAV PCM o audio con compansión, FLAC, MP3, Ogg/WebM Opus y AAC en contenedores MP4, M4A o MOV, entre sus codificaciones compatibles. Un nombre de contenedor no reemplaza el códec real ni la configuración de muestreo. Conserva la voz clara y evita la saturación severa o conversiones innecesarias que pierdan detalle audible.

Chirp 3 puede identificar y transcribir automáticamente el idioma dominante, y un conjunto de configuraciones regionales esperadas puede reducir sus opciones de reconocimiento. La disponibilidad de idiomas difiere según el método y la función. La lista de idiomas de transcripción es más amplia que la de diarización, por lo que reconocer un idioma no establece que se le aplique cada función de hablantes o tiempos. Usa la configuración regional que corresponda a la grabación y conserva para revisión los nombres con alternancia de idioma o términos especializados. Una etiqueta de idioma detectado es parte del resultado, no evidencia de que todas las palabras inusuales se reconocieron correctamente.

La diarización de hablantes agrupa el habla por voz en una grabación de un solo canal. Google proporciona un ejemplo de transcripción por lotes con información de hablantes por palabra. Para una entrevista, conserva esas etiquetas con el texto reconocido y compara los cambios de hablante con la grabación antes de asociar nombres o roles reales. Las voces similares, las interrupciones y el habla superpuesta pueden dificultar la atribución. Mantén claras la disposición de canales de la fuente y la tarea prevista de revisión de hablantes, en lugar de tratar una etiqueta como identidad verificada de forma independiente.

Los tiempos también son específicos del método. El reconocimiento en transmisión proporciona marcas de tiempo a nivel de enunciado, mientras que la orientación del fabricante para reconocimiento de archivos describe tiempos por palabra opcionales que pueden afectar la calidad de la transcripción. Conserva los metadatos realmente devueltos por el método elegido y revisa la alineación junto con las palabras. Un flujo de subtitulado necesita ambas cosas: texto reconocido legible y evidencia de que un límite temporal corresponde al sonido correcto. Google también advierte que el valor devuelto de confianza por palabra no es una verdadera puntuación de confianza, por lo que no debe usarse para certificar que una palabra es correcta.

La adaptación de voz proporciona frases y nombres propios que probablemente aparezcan en la grabación. El fabricante documenta un diccionario de hasta 1,000 frases y recomienda tan pocas entradas pertinentes como sea posible para evitar degradar el reconocimiento de otros términos. Para una presentación técnica, prepara una lista corta de nombres reales de productos y abreviaturas y después examínalos en la transcripción. Dar prioridad a un término ayuda al sistema de reconocimiento a considerarlo; no establece que ese término se haya pronunciado ni reemplaza una comprobación contra el audio.

El modelo proporciona puntuación y uso de mayúsculas automáticos, que la interfaz documentada puede deshabilitar. Google también describe una función preliminar de instrucciones personalizadas de formato de transcripción, como la forma de escribir un nombre o fecha particular. Mantén esas instrucciones enfocadas en dar formato al habla reconocida. Una transcripción que normaliza una fecha o escribe una marca con mayúsculas sigue necesitando conservar el significado hablado. Un resumen, traducción o análisis factual son usos posteriores de la transcripción, no algo establecido por el resultado de reconocimiento en sí.

El reductor de ruido integrado está destinado a reducir música de fondo y sonidos ambientales como lluvia o ruido de calle. Google indica explícitamente que no puede eliminar voces humanas de fondo. Conserva esa distinción al preparar una grabación con conversaciones superpuestas. Examina las secciones ruidosas y silenciosas frente a la fuente, en lugar de suponer que una transcripción de apariencia más limpia demuestra que se eliminó el sonido interferente. Un resultado útil mantiene identificables los pasajes inciertos para corrección.

Para tareas de transmisión, la sensibilidad de detección de final cambia cuándo se considera terminado un enunciado. El fabricante describe ajustes standard, short y supershort para habla esperada cada vez más breve. Un ajuste más rápido puede cortar a un hablante que hace una pausa a mitad de una idea. Ajusta la configuración al dictado natural, una oración corta o un comando muy breve, y conserva el estado de resultado final con la transcripción. Para un archivo terminado, revisa nombres, cantidades, negaciones y límites de hablantes, y después conserva el modo elegido y el audio de origen para poder comprobar o reutilizar el resultado.