Google: Chirp 3
Google Chirp 3 — ағындық тануға, қысқа жазбаларға және ұзақ жазбаларды пакеттік транскрипциялауға арналған көптілді сөйлеу тану моделі. Ол автоматты тіл анықтауын, тыныс белгілерін, сөздікке бейімдеуді және режимге тәуелді уақыт не сөйлеуші метадеректерін береді. Шу азайтқышы фондық шуды азайтады, бірақ басқа дауыстарды алып тастай алмайды.
Модель туралы
Бұл сипаттама модель мүмкіндіктерін қамтиды. Ailoot жүйесінде таңдалған әдіс үшін қолжетімді кіріс, шығыс және параметрлер төменде берілген.
Google Chirp 3 — сөйлеу аудиосын мәтінге айналдыратын көптілді автоматты сөйлеу тану моделі. Google оны Speech-to-Text V2 тобының chirp_3 модель идентификаторы бар Chirp 3 транскрипция моделі ретінде құжаттайды. Мақсаты — тіл анықтауы және транскрипцияға тән мүмкіндіктері бар, жазылған не ағындық сөйлеуді тану. Шыққан артефакт жасалған сөйлеу не еркін мазмұндағы көмекші жауабы емес, транскрипт пен таңдалған тану әдісі қолдайтын метадеректер болады.
Өндіруші ағындық тануды, қысқа роликтердің синхронды тануын және ұзақ жазбалардың пакеттік тануын ажыратады. Режимді бастапқы аудио мен қажетті нәтижеге сай таңдаңыз. Қысқа дауыс жазбасына аяқталған мәтіндік жауап жеткілікті болуы мүмкін. Сұхбат не жазылған қоңырауға сөйлеуші ақпараты бар пакеттік нәтиже пайдалырақ болуы мүмкін. Тікелей субтитр не ауызша пәрмен интерфейсінде аралық мәтінді соңғы тану нәтижесінен бөлек ұстап, ол сипаттайтын аудио аралығын сақтаңыз.
Аудионы тану жүйесі талап ететін кодтаумен дайындаңыз. Google Chirp 3 мысалдары жазылған файлдарға автоматты анықталатын декодтауды, өңделмеген аудио ағынының баптауына нақты декодтауды қолданады. Байланысты V2 декодер анықтамалығы қолдайтын кодтаулар арасында WAV PCM немесе компандталған аудионы, FLAC, MP3, Ogg/WebM Opus және MP4, M4A не MOV контейнерлеріндегі AAC-ті көрсетеді. Контейнер атауы нақты кодек пен дискреттеу баптауын алмастырмайды. Анық сөйлеуді сақтап, естілетін бөлшектерді жоғалтатын қатты клиппингтен немесе қажетсіз түрлендіруден аулақ болыңыз.
Chirp 3 басым тілді автоматты анықтап, транскрипциялай алады; күтілетін локальдер жиыны тану таңдауларын тарылта алады. Тіл қолжетімділігі әдіс пен мүмкіндікке қарай өзгереді. Транскрипция тілдері тізімі сөйлеушіні ажырату тізімінен кең, сондықтан тілдің танылуы сөйлеушіге не уақытқа қатысты барлық мүмкіндіктердің сол тілге қолданылатынын дәлелдемейді. Жазбаға сәйкес локальді қолданып, басқа тілге ауысқанда айтылған есімдерді не салалық терминдерді тексеруге сақтаңыз. Анықталған тіл белгісі — нәтиженің бөлігі; барлық ерекше сөз дұрыс танылғанының дәлелі емес.
Сөйлеушіні ажырату бір арналы жазбадағы сөйлеуді дауыс бойынша топтайды. Google әр сөзге сөйлеуші ақпараты бар пакеттік транскрипция мысалын береді. Сұхбатта нақты аттар не рөлдер қоспас бұрын белгілерді танылған мәтінмен сақтап, сөйлеуші ауысуларын жазбамен салыстырыңыз. Ұқсас дауыстар, бірінің сөзін бірі бөлу және қабаттасқан сөйлеу атрибуцияны қиындатуы мүмкін. Белгіні адамның кім екенін дербес растайтын дәлел деп қабылдамай, түпнұсқаның арна құрылымын және көзделген сөйлеушілерді тексеру тапсырмасын айқын ұстаңыз.
Уақыт ақпараты да әдіске тән. Ағындық тану айтылым деңгейіндегі уақыт белгілерін береді; өндірушінің файл тану нұсқаулығы транскрипция сапасына әсер етуі мүмкін қосымша сөз деңгейіндегі уақыт белгілерін сипаттайды. Таңдалған әдіс нақты қайтарған метадеректерді сақтап, сөздермен бірге уақыт сәйкестігін тексеріңіз. Субтитр үдерісіне екеуі де қажет: оқылатын танылған мәтін және уақыт шекарасы дұрыс дыбысқа сәйкес келетінінің дәлелі. Google қайтарылған сөз деңгейіндегі confidence мәні шынайы сенімділік бағасы емес екенін де ескертеді, сондықтан оны сөздің дұрыстығын куәландыруға қолдануға болмайды.
Сөйлеуге бейімдеу жазбада кездесуі ықтимал тіркестер мен жалқы есімдерді береді. Өндіруші 1,000-ға дейін тіркес сөздігін құжаттап, басқа терминдердің танылуын нашарлатпау үшін тиісті жазбаларды барынша аз ұстауды ұсынады. Техникалық таныстырылымға нақты өнім атаулары мен қысқартулардың қысқа тізімін дайындап, кейін транскрипттен тексеріңіз. Бағыттау тану кезінде терминді қарастыруға көмектеседі; оның айтылғанын дәлелдемейді және аудиомен тексеруді алмастырмайды.
Модель автоматты тыныс белгілері мен бас әріптерді береді; құжатталған интерфейсте оларды өшіруге болады. Google белгілі есімнің не күннің қалай жазылуы сияқты транскрипция пішіміне арнайы нұсқаулар беру мүмкіндігінің алдын ала нұсқасын де сипаттайды. Сол нұсқауларды танылған сөйлеуді пішімдеуге бағыттаңыз. Күнді қалыпқа келтірген не брендті бас әріппен жазған транскрипт айтылған мағынаны бәрібір сақтауы тиіс. Түйіндеме, аударма немесе фактілік талдау тану нәтижесінің өзі дәлелдейтін нәрсе емес, транскрипттің кейінгі қолданылуы.
Кіріктірілген шу азайтқыш фондық музыканы және жаңбыр не көше шуы сияқты орта дыбыстарын азайтуға арналған. Google оның фондағы адам дауыстарын алып тастай алмайтынын нақты айтады. Қабаттасқан әңгімесі бар жазбаны дайындағанда осы айырмашылықты сақтаңыз. Тазарақ көрінетін транскрипт кедергі дыбысы жойылғанын дәлелдейді деп болжамай, шулы және тыныш бөліктерді түпнұсқамен тексеріңіз. Пайдалы нәтиже белгісіз үзінділерді кейін түзету үшін анық ажыратуға мүмкіндік береді.
Ағындық тапсырмаларда айтылым соңын анықтау сезімталдығы оның қашан аяқталды деп саналатынын өзгертеді. Өндіруші барған сайын қысқа күтілетін сөйлеуге арналған standard, short және supershort параметрлерін сипаттайды. Жеделірек параметр ой ортасында кідірген сөйлеушіні үзіп тастауы мүмкін. Параметрді табиғи диктантқа, қысқа сөйлемге немесе өте қысқа пәрменге сәйкестендіріп, соңғы нәтиже мәртебесін транскриптпен бірге сақтаңыз. Аяқталған файлда есімдерді, шамаларды, терістеулерді және сөйлеуші шекараларын тексеріп, нәтижені тексеру не қайта қолдану үшін таңдалған режим мен бастапқы аудионы сақтаңыз.
Ailoot Ultra · Дыбысты мәтінге түсіру POST /v1/audio/transcriptions google/chirp-3
google/chirp-3Бастау
Google Chirp 3 — ағындық тануға, қысқа жазбаларға және ұзақ жазбаларды пакеттік транскрипциялауға арналған көптілді сөйлеу тану моделі. Ол автоматты тіл анықтауын, тыныс белгілерін, сөздікке бейімдеуді және режимге тәуелді уақыт не сөйлеуші метадеректерін береді. Шу азайтқышы фондық шуды азайтады, бірақ басқа дауыстарды алып тастай алмайды.
- Қабылданатын кіріс деректері
- Аудио
- Нәтижелер
- Мәтін
Ailoot жүйесінде қолжетімді · кіріс деректері мен әдістер
Ailoot Ultra · Дыбысты мәтінге түсіру POST /v1/audio/transcriptions
- Кіріс
audio- Шығыс
text
| Өріс | Түрі | Талап | Мәндер мен шектеулер | Әдепкі |
|---|---|---|---|---|
Өрісmodel | Түріstring | ТалапМіндетті | Мәндер мен шектеулер google/chirp-3 | Әдепкі— |
Өрісinput_audio | Түріobject | ТалапМіндетті | Мәндер мен шектеулер | Әдепкі— |
Әдіс параметрлері мен өмірлік циклі
| Параметр | Параметр талаптары |
|---|---|
Параметрcontent_type | Параметр талаптарыapplication/json |
Параметрrequired | Параметр талаптарыmodel, input_audio |
Параметрmaterial_types | Параметр талаптарыaudio |
Параметрmaterial_conditions | Параметр талаптарыМысал сіздің нақты, бос емес PCM WAV файлыңызды оқып, файлдың барлық байтын base64 пішіміне кодтайды және input_audio.format өрісін wav мәнімен жібереді. |
Өмірлік цикл: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · иелігіңіздегі бар медиа жазбасынан алынған дәл task_id
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Тарифтер
Тариф анықтамасы сұрау мүмкіндіктерін қоспайды. Қолдау көрсетілетін параметрлер таңдалған әдісте берілген.
- Жылдам режим
- Көрсетілмеген Жылдам режим таңдалғанда
- Икемді режим
- Көрсетілмеген flex режимі таңдалғанда
- Ой қорытудың ең жоғары деңгейі
- Көрсетілмеген Ой қорыту деңгейі ең жоғары болып, default түзетуі қолданылғанда
Ailoot мөлшерлемелері
Баптаулар бойынша бағалар
Әр төлемді көрсетілген шарттармен салыстырыңыз. Балама баптаулардың әр жиыны үшін бір мөлшерлемені қолданыңыз.
| Баптау | Мөлшерлемелер кестесі | Есептеу бірлігі | Төлем |
|---|---|---|---|
| БаптауТокендердің базалық тарифтері | Мөлшерлемелер кестесіНегізгі мөлшерлеме | Есептеу бірлігі— | Төлем Кіріс · Кіріс токендері — / 1K токен Шығыс · Шығыс токендері — / 1K токен Кіріс · Кэшті оқу — / 1K токен Кіріс · Кэшке жазу — / 1K токен Кіріс · Кэшке жазу, 1 сағ — / 1K токен |
| Баптаукіріс аудио секунды | Мөлшерлемелер кестесі— | Есептеу бірлігікіріс аудионың секунды үшін | Төлем Кіріс · кіріс аудио секунды $0.000533333333334 кіріс аудионың секунды үшін |
Ailoot сұрау алдында болжамды соманы резервтейді. Нәтижеден кейін өлшенген пайдалану көлемі бойынша қорытынды төлемді шегереді. Ағындық жауап үшін төлем соңғы пайдалану жазбасы негізінде шегеріледі. Резервтеу мен төлемді есептеу тәртібі →
Сұрау мысалдары
Ailoot Ultra · Дыбысты мәтінге түсіру
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_AUDIO_FILE:?Set the path to your actual PCM WAV recording}"
export AILOOT_AUDIO_FILE
python3 - <<'PY_REQUEST'
import base64, io, json, os, wave
from pathlib import Path
audio = Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()
if not (audio[:4] == b'RIFF' and audio[8:12] == b'WAVE'):
raise SystemExit('Supply your actual PCM WAV audio file')
with wave.open(io.BytesIO(audio), 'rb') as recording:
if recording.getcomptype() != 'NONE' or recording.getnframes() <= 0:
raise SystemExit('Supply a nonempty PCM WAV recording')
request = {'model': 'google/chirp-3', 'input_audio': {'data': base64.b64encode(audio).decode('ascii'), 'format': 'wav'}}
Path('request.json').write_text(json.dumps(request, ensure_ascii=False), encoding='utf-8')
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \
-H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
--data-binary @request.json -D response-headers.txt -o response.bin
# Retain the complete original response, headers and actual X-Client-Request-ID.
# Read existing owned records for recovery; do not resubmit an uncertain operation.
Нәтижелерді алу және сақтау
Ailoot Ultra · Дыбысты мәтінге түсіру
Бастапқы жауаптың толық денесі, күйі және әрі қарай берілген тақырыптары. Бұл өңдегіш әмбебап JSON құрылымын, мәтін өрісін немесе тапсырманың сыртқы құрылымын қоспайды.
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
Барлық дайын нәтижені сақтау
Қайтарылған әр толық жауапты, файлды және мазмұн бөлігін сақтаңыз.
Толық жауапты және тақырыптарды, алынған әрбір нәтижені, бастапқыда қайтарылған идентификаторларды және пайдалану туралы барлық өрістерді сақтаңыз. Жасау сұрауын қайта жібермей, бастапқы операцияны қалпына келтіріңіз.
Бастапқы жауапты тексеру қажет болса
Нақты X-Client-Request-ID мәнін және толық жауапты сақтаңыз. Иелігіңіздегі бастапқы ресурстарды және олардың қолтаңбасы бар дәл мазмұн URL мекенжайларын оқыңыз; нәтижесі белгісіз жасау сұрауын ешқашан қайта жібермеңіз.
Жауап өрістері
| Өріс | Түрі |
|---|---|
Өрісtext (when present) | Түрі |
Өрісusage (when present) | Түрі |
Қателер және келесі қадамдар
| Жауап | Шарт | Келесі қадам |
|---|---|---|
Жауап400 · invalid_request_error | ШартJSON денесі немесе нақты канондық модель ID мәні жарамсыз. | Келесі қадамЖауапты сақтап, сұраудың көрсетілген өрісін түзетіңіз. |
Жауап401 · authentication_error | ШартAiloot API кілті жарамсыз. | Келесі қадамПайдалануға рұқсат етілген Ailoot API кілтіңізді қолданыңыз. |
Жауап403 · permission_error | ШартКілттің тобына бұл әдісті пайдалануға рұқсат берілмеген. | Келесі қадамҚайтарылған қатенің толық мәліметін сақтаңыз. |
Жауап404 · not_found_error | ШартТаңдалған әдісте пайдалануға рұқсат етілген маршрут жоқ. | Келесі қадамҚайтарылған қатенің толық мәліметін сақтаңыз. |
Жауап422 · price_unavailable | ШартҚабылданған тариф өзіне қажетті кіріс мөлшерін немесе шегін ала алмайды. | Келесі қадамЖауапты сақтаңыз; қабылданған тариф талап ететін кіріс пішімін пайдаланыңыз. |
Жауап503 · | ШартҚажетті қойма, маршрут, әдіс бағасы немесе қаражат резерві қолжетімді емес. | Келесі қадамБастапқы жауапты толық сақтаңыз. Нәтижесі белгісіз қаражат резерві сұрауды қайта жіберуге рұқсат бермейді. |
Жауап502 · server_error | ШартБастапқы нәтижені, пайдалану деректерін немесе есеп айырысуды тексеру қажет. | Келесі қадамНақты сұрау ID мәнін және бастапқы жауапты сақтаңыз. Иелігіңіздегі бар жазбаны оқыңыз; жасау сұрауын қайта жібермеңіз. |
Балама атаулар
Модельдердің балама атаулары
Ailoot Ultra google/chirp-3
Әдіс жолдарының балама атаулары
Жоғарыда көрсетілген әдіс жолдарын пайдаланыңыз.
Шақыруға арналған байланысты ID
FAQ · Google: Chirp 3
- Қандай кіріс деректері мен нәтижелер қолжетімді?
POST /v1/audio/transcriptions·google/chirp-3:audio→text- Сұрау қандай өрістерді пайдаланады?
POST /v1/audio/transcriptions·google/chirp-3:model,input_audio