Google: Chirp 3

Google Chirp 3 – daugiakalbis automatinio kalbos atpažinimo modelis, paverčiantis sakytinį garsą tekstu. Google jį dokumentuoja kaip Chirp 3 transkribavimo modelį Speech-to-Text V2 šeimoje; modelio identifikatorius – chirp_3. Jo paskirtis – atpažinti įrašytą arba srautu perduodamą kalbą, palaikant kalbos aptikimą ir transkribavimui skirtas funkcijas. Gaunamas artefaktas yra transkriptas ir pasirinkto atpažinimo metodo palaikomi metaduomenys, o ne sugeneruota kalba ar atviras asistento atsakymas.

Gamintojas atskiria srautinį atpažinimą, sinchroninį trumpų ištraukų atpažinimą ir paketinį ilgesnių įrašų atpažinimą. Režimą pasirinkite pagal šaltinio garsą ir reikalingą rezultatą. Trumpai balso žinutei gali pakakti užbaigto tekstinio atsakymo. Interviu ar įrašytam skambučiui naudingesnis gali būti paketinis rezultatas su kalbėtojų informacija. Tiesioginiams subtitrams ar sakytinių komandų sąsajai tarpinį tekstą laikykite atskirai nuo galutinio atpažinimo rezultato ir išsaugokite jo aprašomą garso intervalą.

Paruoškite garsą koduote, kurios tikisi atpažinimo įgyvendinimas. Google Chirp 3 pavyzdžiuose įrašytiems failams naudojamas automatiškai aptinkamas dekodavimas, o neapdoroto srautinio garso konfigūracijai – aiškiai nurodytas dekodavimas. Susijusiame V2 dekoderio žinyne tarp palaikomų koduočių nurodyti WAV PCM arba kompanduotas garsas, FLAC, MP3, Ogg/WebM Opus ir AAC MP4, M4A ar MOV konteineriuose. Konteinerio pavadinimas nepakeičia tikrojo kodeko ir diskretizavimo konfigūracijos. Išsaugokite aiškią kalbą ir venkite stipraus signalo nukirtimo ar nereikalingo konvertavimo, prarandančio girdimas detales.

Chirp 3 gali automatiškai nustatyti vyraujančią kalbą ir ją transkribuoti, o numatomų lokalių rinkinys gali susiaurinti atpažinimo pasirinkimus. Kalbų prieinamumas skiriasi pagal metodą ir funkciją. Transkribavimo kalbų sąrašas platesnis nei kalbėtojų atskyrimo, todėl kalbos atpažinimas nepatvirtina, kad jai taikoma kiekviena kalbėtojų ar laiko žymų funkcija. Naudokite įrašą atitinkančią lokalę ir išsaugokite peržiūrai vardus ar specializuotus terminus, ištartus perjungiant kalbas. Aptiktos kalbos žyma yra rezultato dalis, o ne įrodymas, kad visi neįprasti žodžiai atpažinti teisingai.

Kalbėtojų atskyrimas vieno kanalo įraše grupuoja kalbą pagal balsą. Google pateikia paketinio transkribavimo pavyzdį su kalbėtojo informacija prie kiekvieno žodžio. Interviu atveju šias žymas išsaugokite kartu su atpažintu tekstu ir prieš priskirdami tikrus vardus ar vaidmenis palyginkite kalbėtojų pasikeitimus su įrašu. Panašūs balsai, pertraukimai ir persidengianti kalba gali apsunkinti priskyrimą. Aiškiai nurodykite šaltinio kanalų išdėstymą ir numatomą kalbėtojų peržiūros užduotį, užuot laikę žymą nepriklausomai patikrinta tapatybe.

Laiko informacija taip pat priklauso nuo metodo. Srautinis atpažinimas pateikia pasisakymų lygmens laiko žymas, o gamintojo failų atpažinimo gairėse aprašomos pasirenkamos žodžių laiko žymos ir galimas transkribavimo kokybės kompromisas. Išsaugokite pasirinkto metodo iš tikrųjų grąžintus metaduomenis ir suderinimą tikrinkite kartu su formuluotėmis. Subtitrų rengimo eigai reikia abiejų: skaitomo atpažinto teksto ir įrodymų, kad laiko riba atitinka tinkamą garsą. Google taip pat įspėja, kad grąžinta žodžio lygmens pasitikėjimo reikšmė nėra tikras patikimumo balas, todėl ja nereikėtų patvirtinti, jog žodis teisingas.

Kalbos pritaikymas pateikia frazes ir tikrinius vardus, kurie tikėtini įraše. Gamintojas dokumentuoja iki 1,000 frazių žodyną ir rekomenduoja kuo mažiau susijusių įrašų, kad nepablogėtų kitų terminų atpažinimas. Techniniam pristatymui paruoškite trumpą tikrųjų produktų pavadinimų ir santrumpų sąrašą, tada patikrinkite juos transkripte. Prioriteto suteikimas padeda atpažinimui apsvarstyti terminą, tačiau nepatvirtina, kad jis buvo ištartas, ir nepakeičia patikros pagal garsą.

Modelis automatiškai įterpia skyrybos ženklus ir didžiąsias raides; dokumentuota sąsaja leidžia šias funkcijas išjungti. Google taip pat aprašo bandomąją funkciją pasirinktinėms transkripto formato instrukcijoms, pavyzdžiui, kaip rašyti konkretų vardą ar datą. Šias instrukcijas sutelkite į atpažintos kalbos formatavimą. Transkriptas, kuriame suvienodinama data ar prekės ženklas rašomas didžiąja raide, vis tiek turi išsaugoti pasakytą prasmę. Santrauka, vertimas ar faktinė analizė yra vėlesnis transkripto panaudojimas, o ne tai, ką savaime patvirtina atpažinimo rezultatas.

Įtaisytasis triukšmo slopintuvas skirtas foninei muzikai ir aplinkos garsams, pavyzdžiui, lietui ar gatvės triukšmui, mažinti. Google aiškiai nurodo, kad jis negali pašalinti foninių žmonių balsų. Rengdami įrašą su persidengiančiais pokalbiais išsaugokite šį skirtumą. Triukšmingas ir tylias vietas tikrinkite pagal šaltinį, o ne manykite, kad švariau atrodantis transkriptas įrodo trukdančio garso pašalinimą. Naudingame rezultate neaiškios ištraukos lieka atpažįstamos taisymui.

Srautinėse užduotyse pasisakymo pabaigos nustatymo jautrumas keičia momentą, kada pasisakymas laikomas baigtu. Gamintojas aprašo standard, short ir supershort nustatymus vis trumpesnei numatomai kalbai. Greitesnis nustatymas gali nukirsti kalbėtoją, kuris sustoja minties viduryje. Nustatymą derinkite prie natūralaus diktavimo, trumpo sakinio arba labai trumpos komandos ir kartu su transkriptu išsaugokite galutinio rezultato būseną. Užbaigtame faile patikrinkite vardus, kiekius, neiginius ir kalbėtojų ribas, tada išsaugokite pasirinktą režimą bei šaltinio garsą, kad rezultatą būtų galima patikrinti ar panaudoti pakartotinai.