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.
", "aboutText": "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.\n\nEl 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.\n\nPrepara 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.\n\nChirp 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.\n\nLa 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.\n\nLos 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.\n\nLa 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.\n\nEl 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.\n\nEl 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.\n\nPara 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.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "316c82fcfc50ba194f0d853696801f26e1d17434c71c2fa1ead10be552493ffc", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "es-mx", "methods": [ { "html": "google/chirp-3Google Chirp 3 es un modelo multilingüe de reconocimiento de voz para transmisión, grabaciones breves y transcripción por lotes de mayor duración. Proporciona detección automática de idioma, puntuación, adaptación de vocabulario y metadatos de tiempos o hablantes según el modo. Su reductor de ruido disminuye el ruido de fondo, pero no puede eliminar otras voces.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
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.
POST /v1/audio/transcriptionsaudiotext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites google/chirp-3 | Predeterminado— |
Campoinput_audio | Tipoobject | RequisitoObligatorio | Valores y límites | Predeterminado— |
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, input_audio |
Parámetromaterial_types | Contratoaudio |
Parámetromaterial_conditions | ContratoEl ejemplo lee tu archivo PCM WAV real y no vacío, codifica todos sus bytes en base64 y envía input_audio.format con el valor wav. |
Ciclo de vida: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · task_id exacto de un registro multimedia existente que te pertenece
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.
| Configuración | Tabla de tarifas | Unidad de facturación | Cargo |
|---|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Unidad de facturación— | Cargo Entrada · Tokens de entrada — / 1K tokens Salida · Tokens de salida — / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| Configuraciónsegundo de audio de entrada | Tabla de tarifas— | Unidad de facturaciónpor segundo de audio de entrada | Cargo Entrada · segundo de audio de entrada $0.000533333333334 por segundo de audio de entrada |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${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.\nCuerpo completo de la respuesta original, estado y encabezados reenviados. Este manejador no agrega una estructura JSON universal, un campo de texto ni una estructura contenedora de tareas.
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva la respuesta completa y los encabezados, todas las salidas reales, los identificadores originales devueltos y todos los campos de uso. Recupera la operación original sin volver a enviar la solicitud de creación.
Conserva el X-Client-Request-ID real y la respuesta completa. Consulta los recursos originales que te pertenecen y sus URL exactas de contenido firmadas; nunca vuelvas a enviar una creación incierta.
| Campo | Tipo |
|---|---|
Campotext (when present) | Tipo |
Campousage (when present) | Tipo |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónEl cuerpo JSON o el ID canónico explícito del modelo no son válidos. | Siguiente pasoConserva la respuesta y corrige el campo indicado de la solicitud. |
Respuesta401 · authentication_error | CondiciónLa clave API de Ailoot no es válida. | Siguiente pasoUsa tu clave API autorizada de Ailoot. |
Respuesta403 · permission_error | CondiciónEl grupo de la clave no admite este método. | Siguiente pasoConserva los detalles del error devueltos. |
Respuesta404 · not_found_error | CondiciónEl método seleccionado no tiene una ruta admitida. | Siguiente pasoConserva los detalles del error devueltos. |
Respuesta422 · price_unavailable | CondiciónLa tarifa aceptada no puede obtener la cantidad de entrada o el límite que requiere. | Siguiente pasoConserva la respuesta; usa la representación de entrada que requiere la tarifa aceptada. |
Respuesta503 · | CondiciónEl almacenamiento requerido, la ruta, el precio del método o la reserva de fondos no están disponibles. | Siguiente pasoConserva la respuesta original completa. Una reserva incierta no autoriza un reenvío. |
Respuesta502 · server_error | CondiciónEl resultado original, el uso o la liquidación del cargo requieren verificación. | Siguiente pasoConserva el ID real de solicitud y la respuesta original. Consulta el registro existente que te pertenece; no vuelvas a enviar la creación. |
Ailoot Ultra google/chirp-3
Usa las rutas de método indicadas arriba.