Google: Chirp 3

Google Chirp 3 es un modelo multilingüe de reconocimiento automático del habla 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 finalidad es reconocer habla grabada o transmitida en tiempo real, con detección de idioma y funciones específicas de transcripción. El recurso 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 fabricante distingue el reconocimiento en tiempo real, el reconocimiento síncrono para fragmentos cortos y el reconocimiento por lotes para grabaciones más largas. Elige el modo según el audio de origen y el resultado requerido. Para una nota de voz breve, una respuesta textual completa puede ser suficiente. Para una entrevista o una llamada grabada, un resultado por lotes con información de hablantes puede ser más útil. Para subtítulos en directo o una interfaz de órdenes habladas, distingue el texto intermedio del resultado final del reconocimiento y conserva el intervalo de audio que describe.

Prepara el audio con la codificación que espera la implementación de reconocimiento. Los ejemplos de Chirp 3 de Google utilizan detección automática de la decodificación para archivos grabados y decodificación explícita para una configuración de transmisión de audio en bruto. La referencia asociada del decodificador V2 incluye WAV PCM o audio con compansión, FLAC, MP3, Opus en Ogg/WebM y AAC en contenedores MP4, M4A o MOV, entre sus codificaciones admitidas. El nombre de un contenedor no sustituye al códec real ni a la configuración de muestreo. Conserva el habla clara y evita una saturación grave de la señal o conversiones innecesarias que pierdan detalles audibles.

Chirp 3 puede identificar y transcribir automáticamente el idioma dominante, y un conjunto de variantes regionales esperadas puede acotar sus opciones de reconocimiento. La disponibilidad de idiomas varía 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 demuestra que todas las funciones de hablantes o marcas temporales sean aplicables a él. Utiliza la variante regional que corresponda a la grabación y conserva para su revisión los nombres que aparezcan al alternar idiomas o los términos especializados. Una etiqueta de idioma detectado forma parte del resultado, no es prueba de que todas las palabras poco habituales se hayan reconocido 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 del hablante en cada palabra. Para una entrevista, conserva esas etiquetas junto con el texto reconocido y compara los cambios de hablante con la grabación antes de asignar nombres o funciones reales. Las voces parecidas, las interrupciones y el habla superpuesta pueden dificultar la atribución. Deja claras la disposición de canales de la fuente y la tarea prevista de revisión de hablantes, en lugar de tratar una etiqueta como una identidad verificada de forma independiente.

Las marcas temporales también dependen del método. El reconocimiento en tiempo real proporciona marcas temporales a nivel de enunciado, mientras que las indicaciones del fabricante para el reconocimiento de archivos describen marcas de tiempo opcionales por palabra, con una posible pérdida de calidad de la transcripción. Conserva los metadatos realmente devueltos por el método elegido y revisa la alineación junto con la redacción. Un flujo de subtitulado necesita ambas cosas: texto reconocido legible y pruebas de que un límite temporal corresponde al sonido correcto. Google también advierte de que el valor de confianza devuelto por palabra no es una puntuación de confianza real, por lo que no debe utilizarse para certificar que una palabra sea correcta.

La adaptación del habla proporciona frases y nombres propios que probablemente aparezcan en la grabación. El fabricante documenta un diccionario de hasta 1,000 frases y recomienda utilizar el menor número posible de entradas pertinentes para evitar degradar el reconocimiento de otros términos. Para una presentación técnica, prepara una lista breve de nombres reales de productos y abreviaturas, y después inspecciónalos en la transcripción. La ponderación ayuda al reconocimiento a considerar un término; no demuestra que se haya pronunciado ni sustituye a una comprobación con el audio.

El modelo proporciona puntuación automática y uso automático de mayúsculas, que la interfaz documentada permite desactivar. Google también describe una función en versión preliminar para instrucciones personalizadas sobre el formato de transcripción, como la forma de escribir un nombre o una fecha concretos. Mantén esas instrucciones centradas en dar formato al habla reconocida. Una transcripción que normaliza una fecha o escribe una marca con mayúsculas sigue teniendo que conservar el significado de lo pronunciado. Un resumen, una traducción o un análisis factual son usos posteriores de la transcripción, no algo establecido por el propio resultado del reconocimiento.

El reductor de ruido integrado está pensado para disminuir la música de fondo y los sonidos del entorno, como la lluvia o el ruido de la calle. Google afirma expresamente que no puede eliminar voces humanas de fondo. Mantén esa distinción al preparar una grabación con conversaciones superpuestas. Contrasta con la fuente tanto las secciones ruidosas como las silenciosas en lugar de suponer que una transcripción aparentemente más limpia demuestra que se ha eliminado el sonido interferente. Un resultado útil mantiene identificables los pasajes inciertos para poder corregirlos.

Para tareas de reconocimiento en tiempo real, la sensibilidad de detección del final de enunciado cambia el momento en que un enunciado se considera terminado. El fabricante describe los ajustes standard, short y supershort para habla prevista cada vez más breve. Un ajuste más rápido puede cortar a un hablante que hace una pausa a mitad de una idea. Adapta el ajuste al dictado natural, a una frase corta o a una orden muy breve, y conserva el estado de resultado final junto con la transcripción. Para un archivo terminado, revisa los nombres, las cantidades, las negaciones y los límites entre hablantes, y conserva después el modo elegido y el audio de origen para que el resultado pueda comprobarse o reutilizarse.