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.
", "aboutText": "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.\n\nIl 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.\n\nPrepara 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.\n\nChirp 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.\n\nLa 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.\n\nAnche 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.\n\nL'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.\n\nIl 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.\n\nIl 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.\n\nPer 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.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "bb659981251eec072cbd87474a1bd8b8a93728f2d1805dcf12baceae1260a9b7", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "it", "methods": [ { "html": "google/chirp-3Google Chirp 3 è un modello multilingue di riconoscimento vocale per streaming, registrazioni brevi e trascrizione batch di registrazioni più lunghe. Offre rilevamento automatico della lingua, punteggiatura, adattamento del vocabolario e metadati temporali o dei parlanti dipendenti dalla modalità. Il suo denoiser riduce il rumore di fondo ma non può rimuovere altre voci.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
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.
POST /v1/audio/transcriptionsaudiotext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti google/chirp-3 | Predefinito— |
Campoinput_audio | Tipoobject | RequisitoObbligatorio | Valori e limiti | Predefinito— |
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, input_audio |
Parametromaterial_types | Contrattoaudio |
Parametromaterial_conditions | ContrattoL'esempio legge il tuo file PCM WAV reale e non vuoto, codifica tutti i byte del file in base64 e invia input_audio.format con valore wav. |
Ciclo di vita: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · task_id esatto di un record multimediale esistente di tua proprietà
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
Associa ogni costo alle condizioni indicate. Usa una sola tariffa per ogni insieme di configurazioni alternative.
| Configurazione | Listino delle tariffe | Unità di fatturazione | Costo |
|---|---|---|---|
| ConfigurazioneTariffe base dei token | Listino delle tariffeTariffa base | Unità di fatturazione— | Costo Input · Token in input — / 1K token Output · Token in output — / 1K token Input · Lettura dalla cache — / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| Configurazionesecondo audio in ingresso | Listino delle tariffe— | Unità di fatturazioneper secondo di audio in input | Costo Input · secondo audio in ingresso $0.000533333333334 per secondo di audio in input |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_AUDIO_FILE:?Set the path to your actual PCM WAV recording}"\nexport AILOOT_AUDIO_FILE\npython3 - <<'PY_REQUEST'\nimport base64, io, json, os, wave\nfrom pathlib import Path\naudio = Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()\nif not (audio[:4] == b'RIFF' and audio[8:12] == b'WAVE'):\n raise SystemExit('Supply your actual PCM WAV audio file')\nwith wave.open(io.BytesIO(audio), 'rb') as recording:\n if recording.getcomptype() != 'NONE' or recording.getnframes() <= 0:\n raise SystemExit('Supply a nonempty PCM WAV recording')\nrequest = {'model': 'google/chirp-3', 'input_audio': {'data': base64.b64encode(audio).decode('ascii'), 'format': 'wav'}}\nPath('request.json').write_text(json.dumps(request, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o response.bin\n# Retain the complete original response, headers and actual X-Client-Request-ID.\n# Read existing owned records for recovery; do not resubmit an uncertain operation.\nCorpo completo della risposta originale, stato e intestazioni inoltrate. Questo gestore non aggiunge alcuna struttura JSON universale, campo di testo o struttura contenitore dell'attività.
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}Conserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva la risposta completa e gli header, ogni output effettivo, gli identificatori originali restituiti e tutti i campi di utilizzo. Recupera l'operazione originale senza inviare nuovamente la richiesta di creazione.
Conserva l'X-Client-Request-ID effettivo e la risposta completa. Consulta le risorse originali di tua proprietà e i relativi URL firmati esatti del contenuto; non inviare mai nuovamente una creazione dall'esito incerto.
| Campo | Tipo |
|---|---|
Campotext (when present) | Tipo |
Campousage (when present) | Tipo |
| Risposta | Condizione | Passaggio successivo |
|---|---|---|
Risposta400 · invalid_request_error | CondizioneIl corpo JSON o l'ID canonico esplicito del modello non è valido. | Passaggio successivoConserva la risposta e correggi il campo della richiesta indicato. |
Risposta401 · authentication_error | CondizioneLa chiave API Ailoot non è valida. | Passaggio successivoUsa la tua chiave API Ailoot autorizzata. |
Risposta403 · permission_error | CondizioneIl gruppo della chiave non è autorizzato a utilizzare questo metodo. | Passaggio successivoConserva i dettagli dell'errore restituiti. |
Risposta404 · not_found_error | CondizioneIl metodo selezionato non dispone di una rotta autorizzata all'utilizzo. | Passaggio successivoConserva i dettagli dell'errore restituiti. |
Risposta422 · price_unavailable | CondizioneLa tariffa accettata non può ottenere la quantità in ingresso o il limite richiesto. | Passaggio successivoConserva la risposta; usa la rappresentazione dell'input richiesta dalla tariffa accettata. |
Risposta503 · | CondizioneL'archiviazione richiesta, la rotta, il prezzo del metodo o la riserva dell'importo non sono disponibili. | Passaggio successivoConserva l'intera risposta originale. Una riserva dell'importo dall'esito incerto non autorizza un nuovo invio. |
Risposta502 · server_error | CondizioneIl risultato originale, i dati di utilizzo o il conguaglio dell'addebito richiedono una verifica. | Passaggio successivoConserva l'ID effettivo della richiesta e la risposta originale. Consulta il record esistente di tua proprietà; non inviare nuovamente la richiesta di creazione. |
Ailoot Ultra google/chirp-3
Usa i percorsi dei metodi indicati sopra.