Google: Chirp 3

Google Chirp 3 est un modèle multilingue de reconnaissance automatique de la parole qui convertit la parole 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. Il sert à reconnaître la parole enregistrée ou diffusée en continu, avec détection de la langue et fonctions propres à la transcription. Le livrable obtenu est une transcription accompagnée des métadonnées prises en charge par la méthode de reconnaissance choisie, plutôt qu’une voix générée ou une réponse libre d’assistant.

Le concepteur 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 un entretien ou un appel enregistré, un résultat par lots contenant des informations sur les locuteurs peut être plus utile. Pour des sous-titres en direct ou une interface de commande vocale, distinguez le texte intermédiaire 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 un décodage détecté automatiquement pour les fichiers enregistrés et un décodage explicite pour une configuration de diffusion en continu de données brutes. La référence associée du décodeur V2 répertorie notamment, parmi les encodages pris en charge, l’audio WAV PCM ou compandé, FLAC, MP3, Ogg/WebM Opus et AAC dans des conteneurs MP4, M4A ou MOV. Le nom d’un conteneur ne remplace pas le codec réel et la configuration d’échantillonnage. Préservez une parole claire et évitez l’écrêtage prononcé 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 varie selon la méthode et la fonction. La liste des langues de transcription est plus large que celle de la diarisation ; la reconnaissance d’une langue ne prouve donc pas que toutes les fonctions relatives aux locuteurs ou aux repères temporels s’y appliquent. Utilisez le paramètre régional correspondant à l’enregistrement et conservez pour vérification les noms employés lors d’alternances de langue ou les termes spécialisés. Une indication de langue détectée fait partie du résultat ; elle ne prouve pas que tous les mots inhabituels ont été reconnus correctement.

La diarisation des locuteurs regroupe la parole par voix dans un enregistrement à canal unique. Google fournit un exemple de transcription par lots avec des informations sur le locuteur pour chaque mot. Pour un entretien, conservez ces étiquettes avec le texte reconnu et comparez les changements de locuteur à l’enregistrement avant d’y associer des noms ou des rôles réels. Des voix semblables, les interruptions et les chevauchements de parole peuvent compliquer l’attribution. Précisez l’agencement des canaux de la source et la tâche prévue de vérification des locuteurs, au lieu de considérer une étiquette comme une identité vérifiée de manière indépendante.

Les repères temporels dépendent également de la méthode. La reconnaissance en continu fournit des horodatages au niveau des énoncés, tandis que les instructions du concepteur pour la reconnaissance de fichiers décrivent des repères temporels facultatifs au niveau des mots, avec un possible compromis sur la qualité de transcription. Conservez les métadonnées effectivement renvoyées par la méthode choisie et vérifiez l’alignement en même temps que le texte. Un processus de sous-titrage a besoin des deux : un texte reconnu lisible et des éléments montrant qu’une limite temporelle correspond au bon son. Google avertit également que la valeur de confiance renvoyée au niveau des mots 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 reconnaissance vocale fournit des expressions et des noms propres susceptibles de figurer dans l’enregistrement. Le concepteur documente un dictionnaire pouvant contenir jusqu’à 1 000 expressions et recommande de limiter autant que possible les entrées aux termes pertinents pour éviter de dégrader la reconnaissance des autres termes. Pour une présentation technique, préparez une courte liste des noms de produits et abréviations réellement utilisés, puis vérifiez-les dans la transcription. Cette pondération aide la reconnaissance à envisager un terme ; elle ne prouve pas qu’il a été prononcé et ne remplace pas une vérification par rapport à l’audio.

Le modèle fournit la ponctuation et les majuscules automatiques, que l’interface documentée permet de désactiver. Google décrit également une fonction préliminaire d’instructions personnalisées pour la mise en forme de la transcription, par exemple la manière d’écrire un nom ou une date particulière. Concentrez ces instructions sur la mise en forme de la parole reconnue. Une transcription qui normalise une date ou emploie les majuscules appropriées dans le nom d’une marque doit toujours préserver le sens de ce qui a été dit. Un résumé, une traduction ou une analyse factuelle constitue une utilisation ultérieure de la transcription, plutôt qu’un résultat établi par la reconnaissance elle-même.

Le système intégré de réduction du bruit vise à atténuer la musique de fond et les sons ambiants comme la pluie ou les bruits de la rue. Google indique explicitement qu’il ne peut pas supprimer les voix humaines en arrière-plan. Préservez cette distinction lorsque vous préparez un enregistrement comportant des conversations qui se chevauchent. Comparez les passages bruyants et calmes à la source au lieu de supposer qu’une transcription apparemment plus propre prouve la suppression du son gênant. Un résultat utile permet d’identifier les passages incertains pour les corriger.

Pour les tâches en continu, la sensibilité de détection de fin d’énoncé modifie le moment où un énoncé est considéré comme terminé. Le concepteur décrit les réglages standard, short et supershort pour des prises de parole attendues de plus en plus brèves. Un réglage plus rapide peut couper un locuteur qui marque une pause au milieu de sa pensée. Adaptez le réglage à une dictée naturelle, à une phrase courte ou à une commande très brève, et conservez le statut de résultat final avec la transcription. Pour un fichier audio complet, vérifiez les noms, les quantités, les négations et les limites entre locuteurs, puis conservez le mode choisi et l’audio source pour que le résultat puisse être vérifié ou réutilisé.