Google: Chirp 3

Google Chirp 3 è un modello multilingue di riconoscimento vocale automatico che converte audio parlato in testo. Google lo documenta come modello di trascrizione Chirp 3 nella famiglia Speech-to-Text V2, con identificativo del modello chirp_3. Il suo scopo è riconoscere parlato registrato o in streaming, con rilevamento della lingua e funzionalità specifiche per la trascrizione. L'artefatto risultante è una trascrizione e i metadati supportati dal metodo di riconoscimento selezionato, anziché parlato generato o una risposta aperta di un assistente.

Il produttore distingue riconoscimento in streaming, riconoscimento sincrono per clip brevi e riconoscimento batch per registrazioni più lunghe. Scegli la modalità in base all'audio sorgente e al risultato richiesto. Per una breve nota vocale, può bastare una risposta testuale completa. Per un'intervista o una chiamata registrata, può essere più utile un risultato batch con informazioni sui parlanti. Per sottotitoli in diretta o un'interfaccia di comandi vocali, mantieni distinto il testo intermedio dal risultato finale di riconoscimento e conserva l'intervallo audio che descrive.

Prepara l'audio nella codifica attesa dall'implementazione del riconoscimento. Gli esempi Chirp 3 di Google usano decodifica rilevata automaticamente per file registrati e decodifica esplicita per una configurazione di streaming raw. Il riferimento associato del decoder V2 elenca WAV PCM o audio companded, FLAC, MP3, Ogg/WebM Opus e AAC in contenitori MP4, M4A o MOV, tra le codifiche supportate. Il nome di un contenitore non sostituisce il codec effettivo e la configurazione di campionamento. Conserva un parlato chiaro ed evita clipping grave o conversioni inutili che perdono dettagli udibili.

Chirp 3 può identificare e trascrivere automaticamente la lingua dominante, e un insieme di impostazioni locali previste può restringerne le scelte di riconoscimento. La disponibilità delle lingue differisce per metodo e funzionalità. L'elenco delle lingue di trascrizione è più ampio di quello della diarizzazione, quindi il riconoscimento di una lingua non dimostra che ogni funzionalità relativa a parlanti o tempi le si applichi. Usa l'impostazione locale corrispondente alla registrazione e conserva nomi con alternanza di lingue o termini specialistici per la verifica. L'etichetta della lingua rilevata fa parte del risultato, non è prova che tutte le parole insolite siano state riconosciute correttamente.

La diarizzazione dei parlanti raggruppa il parlato per voce in una registrazione a canale singolo. Google fornisce un esempio di trascrizione batch con informazioni sul parlante per parola. Per un'intervista, conserva queste etichette con il testo riconosciuto e confronta i cambi di parlante con la registrazione prima di associare nomi o ruoli reali. Voci simili, interruzioni e parlato sovrapposto possono rendere difficile l'attribuzione. Mantieni chiari la disposizione dei canali della fonte e il compito previsto di verifica dei parlanti, anziché trattare un'etichetta come un'identità verificata indipendentemente.

Anche i tempi sono specifici del metodo. Il riconoscimento in streaming fornisce timestamp a livello di enunciato, mentre le indicazioni del produttore sul riconoscimento dei file descrivono tempi delle parole facoltativi con un possibile compromesso sulla qualità di trascrizione. Conserva i metadati effettivamente restituiti dal metodo scelto e controlla l'allineamento insieme alle parole. Un flusso per sottotitoli necessita di entrambi: testo riconosciuto leggibile e prove che un confine temporale corrisponda al suono giusto. Google avverte inoltre che il valore di confidenza restituito a livello di parola non è un vero punteggio di confidenza, quindi non dovrebbe essere usato per certificare la correttezza di una parola.

L'adattamento vocale fornisce frasi e nomi propri che probabilmente ricorrono nella registrazione. Il produttore documenta un dizionario fino a 1,000 frasi e consiglia il minor numero possibile di voci pertinenti per evitare di peggiorare il riconoscimento di altri termini. Per una presentazione tecnica, prepara un breve elenco di nomi di prodotto e abbreviazioni effettivi, poi esaminali nella trascrizione. Il biasing aiuta il riconoscimento a considerare un termine; non dimostra che il termine sia stato pronunciato né sostituisce un controllo rispetto all'audio.

Il modello offre punteggiatura e maiuscole automatiche, disabilitabili tramite l'interfaccia documentata. Google descrive inoltre una funzionalità in anteprima per istruzioni personalizzate sul formato della trascrizione, come la grafia di un nome o di una data particolari. Mantieni tali istruzioni focalizzate sulla formattazione del parlato riconosciuto. Una trascrizione che normalizza una data o scrive un marchio con le maiuscole deve comunque conservare il significato parlato. Un riepilogo, una traduzione o un'analisi fattuale sono impieghi successivi della trascrizione, anziché qualcosa dimostrato dal risultato del riconoscimento stesso.

Il denoiser integrato serve a ridurre musica di sottofondo e suoni ambientali, come pioggia o rumore stradale. Google dichiara esplicitamente che non può rimuovere voci umane di sottofondo. Conserva questa distinzione quando prepari una registrazione con conversazioni sovrapposte. Esamina le sezioni rumorose e silenziose rispetto alla fonte, anziché presumere che una trascrizione dall'aspetto più pulito dimostri la rimozione del suono interferente. Un risultato utile mantiene identificabili i brani incerti per la correzione.

Per i compiti in streaming, la sensibilità di endpointing modifica il momento in cui un enunciato viene considerato concluso. Il produttore descrive impostazioni standard, short e supershort per parlato atteso progressivamente più breve. Un'impostazione più rapida può interrompere un parlante che fa una pausa a metà pensiero. Abbina l'impostazione a dettatura naturale, frase breve o comando molto breve e conserva lo stato di risultato finale insieme alla trascrizione. Per un file completato, controlla nomi, quantità, negazioni e confini tra parlanti, poi conserva la modalità scelta e l'audio sorgente, affinché il risultato possa essere verificato o riutilizzato.