Google: Chirp 3

Google Chirp 3 on monikielinen automaattinen puheentunnistusmalli, joka muuntaa puhutun äänen tekstiksi. Google dokumentoi sen Speech-to-Text V2 -perheensä Chirp 3 -litterointimallina, jonka mallitunniste on chirp_3. Sen tarkoitus on tunnistaa tallennettua tai suoratoistettua puhetta kielentunnistuksen ja litterointikohtaisten ominaisuuksien avulla. Tuloksena syntyy litterointi ja valitun tunnistusmenetelmän tukemat metatiedot, ei luotua puhetta tai avoin avustajavastaus.

Valmistaja erottaa suoratoistotunnistuksen, lyhyiden leikkeiden synkronisen tunnistuksen ja pidempien tallenteiden erätunnistuksen. Valitse tila lähdeäänen ja vaaditun tuloksen mukaan. Lyhyelle ääniviestille valmis tekstivastaus voi riittää. Haastattelussa tai tallennetussa puhelussa puhujatietoja sisältävä erätulos voi olla hyödyllisempi. Pidä reaaliaikaisessa tekstityksessä tai puhekomentorajapinnassa välivaiheen teksti erillään lopullisesta tunnistustuloksesta ja säilytä sen kuvaama ääniaikaväli.

Valmistele ääni tunnistustoteutuksen odottamaan koodaukseen. Googlen Chirp 3 -esimerkit käyttävät tallennetuille tiedostoille automaattisesti tunnistettua dekoodausta ja raakamuotoisen suoratoiston kokoonpanolle nimenomaisesti määritettyä dekoodausta. Asiaan liittyvä V2-dekooderiviite luettelee tuettujen koodausten joukossa WAV PCM -äänen tai kompandoidun äänen, FLACin, MP3:n, Ogg/WebM Opusin ja AAC:n MP4-, M4A- tai MOV-säiliöissä. Säiliön nimi ei korvaa todellista koodekkia ja näytteenottoasetuksia. Säilytä puheen selkeys ja vältä voimakasta leikkautumista tai tarpeetonta muunnosta, joka hävittää kuultavia yksityiskohtia.

Chirp 3 voi tunnistaa vallitsevan kielen ja litteroida sen automaattisesti, ja odotettujen kieli- ja alueasetusten joukko voi rajata tunnistusvaihtoehtoja. Kielten saatavuus vaihtelee menetelmän ja ominaisuuden mukaan. Litterointikielten luettelo on laajempi kuin puhujanerottelun kieliluettelo, joten kielen tunnistaminen ei osoita kaikkien puhuja- tai ajoitusominaisuuksien soveltuvan siihen. Käytä tallennetta vastaavaa kieli- ja alueasetusta ja säilytä kielenvaihtoa sisältävät nimet tai erikoistermit tarkistettaviksi. Tunnistetun kielen merkintä on osa tulosta, ei näyttö siitä, että kaikki epätavalliset sanat tunnistettiin oikein.

Puhujanerottelu ryhmittelee yksikanavaisen tallenteen puheen äänen perusteella. Google tarjoaa erälitterointiesimerkin, jossa jokaisella sanalla on puhujatiedot. Säilytä haastattelussa nämä merkinnät tunnistetun tekstin yhteydessä ja vertaa puhujanvaihdoksia tallenteeseen ennen oikeiden nimien tai roolien liittämistä niihin. Samankaltaiset äänet, keskeytykset ja päällekkäinen puhe voivat vaikeuttaa kohdistamista. Pidä lähteen kanavajärjestely ja tarkoitettu puhujien tarkistustehtävä selkeinä sen sijaan, että pitäisit merkintää itsenäisesti varmennettuna henkilöllisyytenä.

Myös ajoitus on menetelmäkohtaista. Suoratoistotunnistus tarjoaa lausumatasoiset aikaleimat, kun taas valmistajan tiedostontunnistusohje kuvaa valinnaisen sanakohtaisen ajoituksen ja siihen mahdollisesti liittyvän litterointilaadun heikkenemisen. Säilytä valitun menetelmän todellisuudessa palauttamat metatiedot ja tarkista kohdistus sanamuodon rinnalla. Tekstitystyönkulku tarvitsee molemmat: luettavan tunnistetun tekstin ja näytön siitä, että ajoitusraja vastaa oikeaa ääntä. Google varoittaa myös, ettei palautettu sanakohtainen luottamusarvo ole todellinen luottamuspistemäärä, joten sitä ei tule käyttää sanan oikeellisuuden vahvistamiseen.

Puheentunnistuksen mukauttamista varten annetaan ilmauksia ja erisnimiä, joita tallenteessa todennäköisesti esiintyy. Valmistaja dokumentoi enintään 1 000 ilmauksen sanaston ja suosittelee mahdollisimman pientä määrää olennaisia merkintöjä, jotta muiden termien tunnistus ei heikkene. Valmistele tekniseen esitykseen lyhyt luettelo todellisista tuotenimistä ja lyhenteistä ja tarkista ne sitten litteroinnista. Painotus auttaa tunnistusta ottamaan termin huomioon; se ei osoita, että termi lausuttiin, eikä korvaa tarkistusta ääntä vasten.

Malli tuottaa automaattiset välimerkit ja isot alkukirjaimet, jotka dokumentoidussa rajapinnassa voi poistaa käytöstä. Google kuvaa myös esiversio-ominaisuuden mukautetuille litterointimuotoilun ohjeille, kuten sille, miten tietty nimi tai päivämäärä tulee kirjoittaa. Rajaa nämä ohjeet tunnistetun puheen muotoiluun. Päivämäärän normalisoivan tai brändin isolla alkukirjaimella kirjoittavan litteroinnin on silti säilytettävä puhutun sisällön merkitys. Yhteenveto, käännös tai tosiasioiden analyysi on litteroinnin myöhempää käyttöä, ei tunnistustuloksen itsessään osoittama asia.

Sisäänrakennettu kohinanvaimennus on tarkoitettu vähentämään taustamusiikkia ja ympäristön ääniä, kuten sadetta tai katumelua. Google toteaa nimenomaisesti, ettei se pysty poistamaan taustalla kuuluvia ihmisääniä. Säilytä tämä ero, kun valmistelet päällekkäistä keskustelua sisältävää tallennetta. Tarkista meluisat ja hiljaiset osuudet lähdettä vasten sen sijaan, että olettaisit siistimmän näköisen litteroinnin todistavan häiritsevän äänen poistuneen. Hyödyllinen tulos pitää epävarmat kohdat tunnistettavina korjaamista varten.

Suoratoistotehtävissä puhejakson päättymisen tunnistusherkkyys muuttaa sitä, milloin lausuma katsotaan päättyneeksi. Valmistaja kuvaa standard-, short- ja supershort-asetukset yhä lyhyemmälle odotetulle puheelle. Nopeampi asetus voi katkaista puhujan, joka pitää tauon kesken ajatuksen. Sovita asetus luonnolliseen saneluun, lyhyeen lauseeseen tai hyvin lyhyeen komentoon ja säilytä lopullisen tuloksen tila litteroinnin yhteydessä. Tarkista valmiista tiedostosta nimet, määrät, kiellot ja puhujien rajat ja säilytä sitten valittu tila ja lähdeääni, jotta tulos voidaan tarkistaa tai käyttää uudelleen.