Google: Chirp 3

Google Chirp 3 adalah model pengenalan ucapan otomatis multibahasa yang mengubah audio ucapan menjadi teks. Google mendokumentasikannya sebagai model transkripsi Chirp 3 dalam keluarga Speech-to-Text V2, dengan pengenal model chirp_3. Tujuannya adalah mengenali ucapan rekaman atau streaming, dengan deteksi bahasa dan fitur khusus transkripsi. Artefak yang dihasilkan adalah transkrip dan metadata yang didukung metode pengenalan terpilih, bukan ucapan yang dihasilkan atau jawaban asisten terbuka.

Produsen membedakan pengenalan streaming, pengenalan sinkron untuk klip singkat, dan pengenalan batch untuk rekaman lebih panjang. Pilih mode sesuai audio sumber dan hasil yang diwajibkan. Untuk pesan suara singkat, respons teks lengkap mungkin cukup. Untuk wawancara atau panggilan rekaman, hasil batch dengan informasi pembicara dapat lebih berguna. Untuk takarir langsung atau antarmuka perintah lisan, pisahkan teks sementara dari hasil pengenalan akhir dan pertahankan interval audio yang dijelaskannya.

Siapkan audio dalam encoding yang diharapkan implementasi pengenalan. Contoh Chirp 3 Google menggunakan decoding yang dideteksi otomatis untuk berkas rekaman dan decoding eksplisit untuk konfigurasi streaming mentah. Referensi decoder V2 terkait mencantumkan audio WAV PCM atau audio companded, FLAC, MP3, Ogg/WebM Opus, serta AAC dalam kontainer MP4, M4A, atau MOV, di antara encoding yang didukung. Nama kontainer tidak menggantikan codec dan konfigurasi sampel sebenarnya. Pertahankan ucapan yang jelas dan hindari clipping parah atau konversi yang tidak diperlukan yang menghilangkan detail yang terdengar.

Chirp 3 dapat mengidentifikasi dan mentranskripsikan bahasa dominan secara otomatis, dan kumpulan locale yang diharapkan dapat mempersempit pilihan pengenalannya. Ketersediaan bahasa berbeda menurut metode dan fitur. Daftar bahasa transkripsi lebih luas daripada daftar diarisasi, sehingga dikenalnya suatu bahasa tidak membuktikan bahwa setiap fitur pembicara atau penanda waktu berlaku untuknya. Gunakan locale yang sesuai dengan rekaman dan pertahankan nama atau istilah bidang tertentu dalam alih kode untuk ditinjau. Label bahasa yang terdeteksi merupakan bagian hasil, bukan bukti bahwa semua kata yang tidak umum dikenali dengan benar.

Diarisasi pembicara mengelompokkan ucapan berdasarkan suara dalam rekaman satu kanal. Google menyediakan contoh transkripsi batch dengan informasi pembicara per kata. Untuk wawancara, simpan label tersebut bersama teks yang dikenali dan bandingkan perubahan pembicara dengan rekaman sebelum mengaitkannya dengan nama atau peran sebenarnya. Suara yang mirip, interupsi, dan ucapan tumpang tindih dapat menyulitkan atribusi. Perjelas susunan kanal sumber dan tugas peninjauan pembicara yang dimaksud, alih-alih memperlakukan label sebagai identitas yang telah diverifikasi secara independen.

Penanda waktu juga bersifat khusus metode. Pengenalan streaming menyediakan timestamp pada tingkat ujaran, sedangkan panduan pengenalan berkas dari pembuat menjelaskan penanda waktu kata opsional dengan kemungkinan kompromi kualitas transkripsi. Pertahankan metadata yang benar-benar dikembalikan oleh metode terpilih dan tinjau penyelarasan bersama kata-katanya. Alur takarir memerlukan keduanya: teks yang dikenali dan mudah dibaca serta bukti bahwa batas waktu sesuai dengan suara yang tepat. Google juga memperingatkan bahwa nilai confidence tingkat kata yang dikembalikan bukan skor keyakinan yang sebenarnya, sehingga tidak boleh digunakan untuk menyatakan bahwa suatu kata benar.

Adaptasi ucapan memasok frasa dan nama diri yang kemungkinan muncul dalam rekaman. Pembuat mendokumentasikan kamus hingga 1,000 frasa dan menyarankan sesedikit mungkin entri relevan agar pengenalan istilah lain tidak menurun. Untuk presentasi teknis, siapkan daftar singkat nama produk dan singkatan sebenarnya, lalu periksa dalam transkrip. Pemberian bias membantu pengenalan mempertimbangkan suatu istilah; hal itu tidak membuktikan bahwa istilah tersebut diucapkan atau menggantikan pemeriksaan terhadap audio.

Model menyediakan tanda baca dan kapitalisasi otomatis, yang dapat dinonaktifkan melalui antarmuka yang didokumentasikan. Google juga menjelaskan fitur pratinjau untuk instruksi format transkripsi khusus, seperti bagaimana nama atau tanggal tertentu harus ditulis. Jaga agar instruksi tersebut berfokus pada pemformatan ucapan yang dikenali. Transkrip yang menormalisasi tanggal atau mengapitalisasi merek tetap perlu mempertahankan makna yang diucapkan. Ringkasan, terjemahan, atau analisis faktual adalah penggunaan transkrip berikutnya, bukan sesuatu yang ditetapkan oleh hasil pengenalan itu sendiri.

Denoiser bawaan dimaksudkan untuk mengurangi musik latar dan suara lingkungan seperti hujan atau kebisingan jalan. Google secara eksplisit menyatakan bahwa fitur tersebut tidak dapat menghilangkan suara manusia di latar. Pertahankan perbedaan itu ketika menyiapkan rekaman dengan percakapan tumpang tindih. Periksa bagian bising dan tenang terhadap sumber, alih-alih menganggap transkrip yang tampak lebih bersih membuktikan bahwa suara pengganggu telah dihilangkan. Hasil yang berguna menjaga bagian yang tidak pasti tetap dapat diidentifikasi untuk dikoreksi.

Untuk tugas streaming, sensitivitas endpointing mengubah kapan ujaran dianggap selesai. Pembuat menjelaskan pengaturan standard, short, dan supershort untuk ucapan yang diharapkan semakin singkat. Pengaturan yang lebih cepat dapat memotong pembicara yang berhenti sejenak di tengah gagasan. Sesuaikan pengaturan dengan dikte alami, kalimat pendek, atau perintah yang sangat singkat, dan simpan status hasil akhir bersama transkrip. Untuk berkas yang selesai, tinjau nama, jumlah, negasi, dan batas pembicara, lalu simpan mode terpilih serta audio sumber agar hasil dapat diperiksa atau digunakan kembali.