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 streaming, avec la détection de la langue et des fonctionnalités propres à la transcription. Le livrable obtenu est une transcription et les métadonnées prises en charge par la méthode de reconnaissance choisie, plutôt que de la parole générée ou une réponse ouverte d’assistant.

Le fabricant distingue la reconnaissance en streaming, la reconnaissance synchrone pour les extraits courts et la reconnaissance par lots pour les enregistrements plus longs. Choisissez le mode en fonction de l’audio source et du résultat requis. Pour une courte note vocale, une réponse textuelle complète peut suffire. Pour un entretien ou un appel enregistré, un résultat par lots comportant des informations sur les locuteurs peut être plus utile. Pour le sous-titrage en direct ou une interface de commande vocale, distinguez le texte intermédiaire du résultat final de reconnaissance et conservez 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 streaming brut. La référence du décodeur V2 associée mentionne, parmi les encodages pris en charge, WAV PCM ou l’audio avec compression-extension, FLAC, MP3, Ogg/WebM Opus et AAC dans des conteneurs MP4, M4A ou MOV. Un nom de conteneur ne remplace pas le codec réel et la configuration d’échantillonnage. Préservez une parole claire et évitez un écrêtage important ou une conversion inutile qui ferait perdre des détails audibles.

Chirp 3 peut identifier et transcrire automatiquement la langue dominante, et un ensemble de paramètres régionaux attendus peut réduire ses choix de reconnaissance. La disponibilité des langues varie selon la méthode et la fonctionnalité. La liste des langues de transcription est plus large que celle de la diarisation ; la reconnaissance d’une langue n’établit donc pas que toutes les fonctionnalités relatives aux locuteurs ou au minutage s’y appliquent. Utilisez le paramètre régional correspondant à l’enregistrement et conservez les noms issus d’alternances de langues ou les termes spécialisés pour les vérifier. Un libellé de langue détectée fait partie du résultat ; il ne prouve pas que tous les mots inhabituels ont été correctement reconnus.

La diarisation des locuteurs regroupe les segments de parole par voix dans un enregistrement monocanal. Google fournit un exemple de transcription par lots avec des informations sur le locuteur pour chaque mot. Pour un entretien, conservez ces libellés 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 similaires, des interruptions et des chevauchements de parole peuvent compliquer l’attribution. Précisez la disposition des canaux de la source et la tâche prévue de vérification des locuteurs au lieu de considérer un libellé comme une identité vérifiée indépendamment.

Le minutage dépend lui aussi de la méthode. La reconnaissance en streaming fournit des horodatages au niveau des énoncés, tandis que les recommandations du fabricant pour la reconnaissance de fichiers décrivent un minutage facultatif par mot, avec un compromis possible sur la qualité de transcription. Conservez les métadonnées effectivement renvoyées par la méthode choisie et examinez l’alignement en même temps que la formulation. Un workflow 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 vocale fournit des expressions et des noms propres susceptibles d’apparaître dans l’enregistrement. Le fabricant documente un dictionnaire contenant jusqu’à 1,000 expressions et recommande d’utiliser le moins d’entrées pertinentes possible pour éviter de dégrader la reconnaissance d’autres termes. Pour une présentation technique, préparez une courte liste de noms de produits et d’abréviations réels, puis vérifiez-les dans la transcription. La pondération aide la reconnaissance à envisager un terme ; elle ne prouve pas que ce terme a été prononcé et ne remplace pas une vérification de l’audio.

Le modèle fournit une ponctuation et une capitalisation automatiques, que l’interface documentée permet de désactiver. Google décrit également une fonctionnalité en préversion d’instructions personnalisées de mise en forme de la transcription, par exemple pour indiquer comment écrire un nom ou une date particuliers. Limitez ces instructions à la mise en forme de la parole reconnue. Une transcription qui normalise une date ou met une majuscule à une marque doit néanmoins préserver le sens de ce qui a été dit. Un résumé, une traduction ou une analyse factuelle constituent des usages ultérieurs de la transcription, et non des éléments établis par le résultat de reconnaissance lui-même.

Le réducteur de bruit intégré vise à atténuer la musique de fond et les sons ambiants tels que la pluie ou les bruits de 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 sections bruyantes et calmes à la source au lieu de supposer qu’une transcription apparemment plus propre prouve la suppression du son parasite. Un résultat utile laisse les passages incertains identifiables pour permettre leur correction.

Pour les tâches en streaming, la sensibilité de détection de fin d’énoncé modifie le moment où un énoncé est considéré comme terminé. Le fabricant décrit les réglages standard, short et supershort pour des prises de parole attendues de plus en plus brèves. Un réglage plus rapide peut interrompre un locuteur qui fait une pause au milieu de son idée. 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 terminé, vérifiez les noms, les quantités, les négations et les limites entre locuteurs, puis conservez le mode choisi et l’audio source afin de pouvoir contrôler ou réutiliser le résultat.