Google: Chirp 3

Google Chirp 3 est un modèle multilingue de reconnaissance automatique de la parole qui convertit l’audio parlé en texte. Google le documente comme le modèle de transcription Chirp 3 de sa famille Speech-to-Text V2, avec l’identifiant de modèle chirp_3. Sa finalité est la reconnaissance de la parole enregistrée ou diffusée en continu, avec détection de la langue et fonctions propres à la transcription. Le livrable obtenu est une transcription et les métadonnées prises en charge par la méthode de reconnaissance sélectionnée, plutôt que de la parole générée ou une réponse ouverte d’assistant.

Le producteur distingue la reconnaissance en continu, la reconnaissance synchrone pour les courts extraits et la reconnaissance par lots pour les enregistrements plus longs. Choisissez le mode selon l’audio source et le résultat requis. Pour une courte note vocale, une réponse textuelle complète peut suffire. Pour une entrevue ou un appel enregistré, un résultat par lots avec de l’information sur les locuteurs peut être plus utile. Pour les sous-titres en direct ou une interface de commandes vocales, gardez le texte intermédiaire distinct du résultat final de reconnaissance et préservez l’intervalle audio qu’il décrit.

Préparez l’audio dans l’encodage attendu par l’implémentation de reconnaissance. Les exemples Chirp 3 de Google utilisent le décodage détecté automatiquement pour les fichiers enregistrés et le décodage explicite pour une configuration brute en continu. La référence de décodeur V2 associée indique l’audio WAV PCM ou avec compression-expansion, FLAC, MP3, Ogg/WebM Opus et AAC dans des conteneurs MP4, M4A ou MOV, parmi ses encodages pris en charge. Un nom de conteneur ne remplace pas le codec réel et la configuration d’échantillonnage. Préservez une parole claire et évitez l’écrêtage important ou les conversions inutiles qui font perdre des détails audibles.

Chirp 3 peut identifier et transcrire automatiquement la langue dominante, et un ensemble de paramètres régionaux attendus peut restreindre ses choix de reconnaissance. La disponibilité des langues diffère selon la méthode et la fonction. La liste des langues de transcription est plus large que celle de diarisation; la reconnaissance d’une langue n’établit donc pas que toutes les fonctions de locuteurs ou de minutage s’y appliquent. Utilisez le paramètre régional qui correspond à l’enregistrement et conservez les noms issus d’une alternance de langues ou les termes spécialisés pour vérification. Une étiquette de langue détectée fait partie du résultat, et n’est pas une preuve que tous les mots inhabituels ont été reconnus correctement.

La diarisation des locuteurs regroupe la parole par voix dans un enregistrement à un seul canal. Google fournit un exemple de transcription par lots avec de l’information sur le locuteur pour chaque mot. Pour une entrevue, conservez ces étiquettes avec le texte reconnu et comparez les changements de locuteur à l’enregistrement avant d’ajouter des noms ou des rôles réels. Les voix semblables, les interruptions et le chevauchement de la parole peuvent rendre l’attribution difficile. Précisez la disposition des canaux de la source et la tâche prévue de vérification des locuteurs plutôt que de traiter une étiquette comme une identité vérifiée indépendamment.

Le minutage est aussi propre à la méthode. La reconnaissance en continu fournit des horodatages au niveau de l’énoncé, tandis que les indications du concepteur pour la reconnaissance de fichiers décrivent le minutage facultatif des mots avec un compromis possible sur la qualité de transcription. Conservez les métadonnées réellement renvoyées par la méthode choisie et vérifiez l’alignement en même temps que la formulation. Un flux de sous-titrage a besoin des deux : un texte reconnu lisible et la preuve qu’une limite de minutage correspond au bon son. Google prévient aussi que la valeur de confiance renvoyée au niveau du mot n’est pas un véritable score de confiance; elle ne doit donc pas servir à certifier qu’un mot est correct.

L’adaptation de la parole fournit des expressions et des noms propres susceptibles d’apparaître dans l’enregistrement. Le concepteur documente un dictionnaire pouvant contenir jusqu’à 1 000 expressions et recommande aussi peu d’entrées pertinentes que possible pour éviter de dégrader la reconnaissance des autres termes. Pour une présentation technique, préparez une courte liste des noms réels de produits et des abréviations, puis vérifiez-les dans la transcription. Le biaisage aide la reconnaissance à envisager un terme; il n’établit pas que ce terme a été prononcé et ne remplace pas une vérification à l’écoute de l’audio.

Le modèle fournit la ponctuation et les majuscules automatiques, que l’interface documentée peut désactiver. Google décrit aussi une fonction en préversion pour des instructions personnalisées de format de transcription, comme la façon d’écrire un nom ou une date particuliers. Gardez ces instructions centrées sur la mise en forme de la parole reconnue. Une transcription qui normalise une date ou met une majuscule à une marque doit tout de même préserver le sens parlé. Un résumé, une traduction ou une analyse factuelle est une utilisation ultérieure de la transcription plutôt qu’un élément établi par le résultat de reconnaissance lui-même.

Le débruiteur intégré vise à réduire la musique de fond et les sons ambiants comme la pluie ou le bruit de la rue. Google indique explicitement qu’il ne peut pas retirer les voix humaines en arrière-plan. Préservez cette distinction lorsque vous préparez un enregistrement avec une conversation qui se chevauche. Examinez les sections bruyantes et calmes à partir de la source plutôt que de supposer qu’une transcription d’apparence plus propre prouve que le son perturbateur a été retiré. Un résultat utile garde les passages incertains identifiables pour correction.

Pour les tâches en continu, la sensibilité de détection de fin change le moment où un énoncé est considéré comme terminé. Le concepteur décrit les réglages standard, short et supershort pour une parole attendue de plus en plus brève. Un réglage plus rapide peut couper un locuteur qui fait une pause au milieu d’une idée. Faites correspondre le réglage à une dictée naturelle, à une courte phrase ou à une commande très brève, et gardez le statut de résultat final avec la transcription. Pour un fichier terminé, vérifiez les noms, les quantités, les négations et les limites des segments de chaque locuteur, puis conservez le mode choisi et l’audio source afin que le résultat puisse être vérifié ou réutilisé.