Google: Chirp 3

Google Chirp 3は、発話音声をテキストへ変換する多言語自動音声認識モデルです。Googleは、Speech-to-Text V2ファミリーのChirp 3文字起こしモデルとして公開し、モデル識別子をchirp_3としています。目的は、言語検出と文字起こし専用機能を使って、録音またはストリームの発話を認識することです。成果物は、生成音声や自由形式のアシスタント回答ではなく、文字起こしと、選んだ認識方式が対応するメタデータです。

開発元は、ストリーミング認識、短いクリップの同期認識、長い録音のバッチ認識を区別しています。元の音声と必要な結果に応じてモードを選んでください。短いボイスメモでは、完成したテキスト応答で十分な場合があります。インタビューや通話の録音では、話者情報付きのバッチ結果のほうが役立つ場合があります。リアルタイム字幕や音声コマンドのインターフェースでは、中間テキストと最終認識結果を分け、それが表す音声区間を保持します。

認識実装が想定するエンコーディングで音声を準備します。GoogleのChirp 3の例では、録音ファイルには自動検出によるデコード、生のストリーミング設定には明示的なデコードを使っています。関連するV2デコーダーのリファレンスには、対応エンコーディングとして、WAVのPCMまたは圧伸音声、FLAC、MP3、Ogg/WebM Opus、MP4・M4A・MOVコンテナ内のAACなどが挙げられています。コンテナ名は、実際のコーデックとサンプル設定の代わりにはなりません。明瞭な発話を保ち、ひどいクリッピングや、聞き取れる詳細を失う不要な変換を避けてください。

Chirp 3は、中心となる言語を自動的に特定して文字起こしでき、予想されるロケールの集合で認識の選択肢を絞れます。言語の利用可否は方式や機能によって異なります。文字起こしの対応言語一覧はダイアライゼーションの一覧より広いため、ある言語を認識できることだけで、すべての話者機能やタイミング機能に対応すると判断してはいけません。録音に合うロケールを使い、言語を切り替えて発話された名前や専門用語を確認用に残します。検出された言語ラベルは結果の一部であり、すべての珍しい単語が正しく認識された証拠ではありません。

話者ダイアライゼーションは、単一チャンネルの録音で、声ごとに発話をまとめます。Googleは、単語ごとの話者情報を含むバッチ文字起こしの例を提供しています。インタビューでは、そのラベルを認識テキストと一緒に保持し、実際の名前や役割を付ける前に、話者の切り替わりを録音と照合します。似た声、割り込み、発話の重なりによって、割り当てが難しくなる場合があります。ラベルを独立に確認された身元情報として扱わず、元のチャンネル構成と、意図する話者確認の課題を明確にしてください。

タイミングも方式ごとに異なります。ストリーミング認識は発話単位のタイムスタンプを提供し、開発元のファイル認識ガイドは、文字起こし品質とのトレードオフがありうる任意の単語タイミングを説明しています。選んだ方式が実際に返したメタデータを保持し、文言と併せて時間の対応を確認してください。字幕制作には、読みやすい認識テキストと、時間の境界が正しい音に対応している証拠の両方が必要です。Googleは、返される単語単位の信頼度値は真の信頼度スコアではないとも警告しているため、単語が正しいと認定するために使ってはいけません。

音声適応では、録音に現れそうなフレーズや固有名詞を提供します。開発元のドキュメントには最大1,000フレーズの辞書が記載されており、ほかの用語の認識を悪化させないため、関連する項目をできるだけ少なくするよう勧めています。技術プレゼンテーションでは、実際の商品名や略語の短い一覧を準備し、文字起こし内で確認してください。認識を偏らせることは用語を候補として考慮する助けにはなりますが、その用語が発話された証明にも、音声との照合の代わりにもなりません。

モデルは句読点と大文字表記を自動で付け、公開インターフェースでは無効化できます。Googleは、特定の名前や日付の書き方など、カスタム文字起こし形式の指示に関するプレビュー機能も説明しています。その指示は、認識した発話の整形に焦点を絞ってください。日付を正規化したりブランドを大文字にしたりした文字起こしでも、発話の意味を保持する必要があります。要約、翻訳、事実分析は、文字起こしを後で利用する段階であり、認識結果自体によって確立されるものではありません。

組み込みのノイズ除去は、背景の音楽や、雨、街の雑音などの環境音を軽減するためのものです。Googleは、背景にある人の声を除去できないと明記しています。会話が重なった録音を準備する場合は、この違いを保ってください。見た目が整った文字起こしを妨害音が除去された証拠と考えず、雑音の多い部分と静かな部分を元の音声と照合します。有用な結果では、不確実な箇所を修正できるよう特定可能なままにします。

ストリーミングの課題では、エンドポイント検出の感度によって、発話を終了したと扱う時点が変わります。開発元は、想定する発話が短くなる順にstandard、short、supershortの設定を説明しています。速い設定では、考えながら途中で間を置いた話者を切ってしまう場合があります。自然な口述、短い文、非常に短いコマンドに合わせて設定し、文字起こしと一緒に最終結果の状態を保持します。完成ファイルでは、名前、数量、否定、話者の境界を確認し、結果を確認・再利用できるよう、選んだモードと元の音声を保存してください。