Google: Chirp 3

Google Chirp 3 ialah model pengecaman pertuturan automatik berbilang bahasa yang menukar audio pertuturan kepada teks. Google mendokumenkannya sebagai model transkripsi Chirp 3 dalam keluarga Speech-to-Text V2, dengan pengecam model chirp_3. Tujuannya ialah mengenal pasti pertuturan rakaman atau distrim, dengan pengesanan bahasa dan ciri khusus transkripsi. Artifak terhasil ialah transkrip dan metadata yang disokong kaedah pengecaman terpilih, bukannya pertuturan terjana atau jawapan pembantu terbuka.

Pengeluar membezakan pengecaman penstriman, pengecaman segerak bagi klip ringkas dan pengecaman kelompok bagi rakaman lebih panjang. Pilih mod mengikut audio sumber serta hasil wajib. Untuk nota suara ringkas, respons teks lengkap mungkin mencukupi. Untuk temu bual atau panggilan rakaman, hasil kelompok dengan maklumat penutur boleh lebih berguna. Untuk kapsyen langsung atau antara muka arahan lisan, bezakan teks perantaraan daripada hasil pengecaman akhir dan kekalkan selang audio yang diterangkannya.

Sediakan audio dalam pengekodan yang dijangkakan pelaksanaan pengecaman. Contoh Chirp 3 Google menggunakan penyahkodan yang dikesan secara automatik bagi fail rakaman dan penyahkodan yang dikonfigurasi secara eksplisit bagi konfigurasi penstriman mentah. Rujukan penyahkod V2 berkaitan menyenaraikan WAV PCM atau audio dikompand, FLAC, MP3, Ogg/WebM Opus dan AAC dalam bekas MP4, M4A atau MOV, antara pengekodan disokongnya. Nama bekas tidak menggantikan codec dan konfigurasi sampel sebenar. Kekalkan pertuturan jelas dan elakkan pemotongan isyarat teruk atau penukaran tidak perlu yang menghilangkan butiran boleh didengar.

Chirp 3 boleh mengenal pasti dan mentranskripsikan bahasa dominan secara automatik, dan set lokal dijangka boleh mengecilkan pilihan pengecamannya. Ketersediaan bahasa berbeza mengikut kaedah dan ciri. Senarai bahasa transkripsi lebih luas daripada senarai diarisasi, jadi pengecaman sesuatu bahasa tidak membuktikan setiap ciri penutur atau pemasaan terpakai padanya. Gunakan lokal yang sepadan dengan rakaman dan simpan nama yang disebut ketika pertuturan bertukar bahasa atau istilah pakar untuk semakan. Label bahasa dikesan ialah sebahagian hasil, bukannya bukti semua perkataan luar biasa dikenal pasti dengan betul.

Diarisasi penutur mengelompokkan pertuturan mengikut suara dalam rakaman satu saluran. Google memberikan contoh transkripsi kelompok dengan maklumat penutur bagi setiap perkataan. Untuk temu bual, simpan label itu bersama teks dikenal pasti dan bandingkan perubahan penutur dengan rakaman sebelum melampirkan nama atau peranan sebenar. Suara serupa, gangguan dan pertuturan bertindih boleh menyukarkan atribusi. Jelaskan susunan saluran sumber dan tugas semakan penutur dimaksudkan daripada menganggap label sebagai identiti yang disahkan secara bebas.

Pemasaannya juga khusus mengikut kaedah. Pengecaman penstriman memberikan cap masa peringkat ujaran, manakala panduan pengecaman fail pembuat menerangkan pemasaan perkataan pilihan dengan kemungkinan kompromi kualiti transkripsi. Simpan metadata yang benar-benar dikembalikan kaedah terpilih dan semak penjajaran bersama ungkapan. Aliran kerja kapsyen memerlukan kedua-duanya: teks dikenal pasti yang boleh dibaca dan bukti bahawa sempadan pemasaan sepadan dengan bunyi betul. Google turut memberi amaran bahawa nilai keyakinan peringkat perkataan yang dikembalikan bukan skor keyakinan sebenar, jadi ia tidak sepatutnya digunakan untuk memperakui perkataan itu betul.

Penyesuaian pertuturan membekalkan frasa dan kata nama khas yang mungkin terdapat dalam rakaman. Pembuat mendokumenkan kamus sehingga 1,000 frasa dan mengesyorkan sesedikit mungkin entri berkaitan untuk mengelakkan kemerosotan pengecaman istilah lain. Untuk pembentangan teknikal, sediakan senarai pendek nama produk serta singkatan sebenar, kemudian periksanya dalam transkrip. Pemberatan keutamaan membantu pengecaman mempertimbangkan istilah; ia tidak membuktikan istilah itu dituturkan atau menggantikan semakan terhadap audio.

Model menyediakan tanda baca dan penggunaan huruf besar automatik, yang boleh dinyahaktifkan oleh antara muka didokumenkan. Google turut menerangkan ciri pratonton bagi arahan format transkripsi tersuai, seperti cara nama atau tarikh tertentu perlu ditulis. Pastikan arahan itu berfokus pada pemformatan pertuturan dikenal pasti. Transkrip yang menormalkan tarikh atau menggunakan huruf besar untuk jenama masih perlu mengekalkan makna lisan. Ringkasan, terjemahan atau analisis fakta ialah penggunaan transkrip kemudian, bukannya sesuatu yang dibuktikan hasil pengecaman itu sendiri.

Penyahhingar terbina dalam bertujuan mengurangkan muzik latar dan bunyi persekitaran seperti hujan atau hingar jalanan. Google menyatakan secara jelas bahawa ia tidak boleh membuang suara manusia latar belakang. Kekalkan perbezaan itu semasa menyediakan rakaman dengan perbualan bertindih. Semak bahagian bising dan sunyi terhadap sumber daripada mengandaikan transkrip yang kelihatan lebih bersih membuktikan bunyi gangguan dibuang. Hasil berguna memastikan petikan tidak pasti boleh dikenal pasti untuk pembetulan.

Untuk tugas penstriman, sensitiviti penentuan titik akhir mengubah bila ujaran dianggap selesai. Pembuat menerangkan tetapan standard, short dan supershort untuk pertuturan dijangka yang semakin ringkas. Tetapan lebih pantas boleh memotong penutur yang berjeda di pertengahan fikiran. Padankan tetapan dengan imlak semula jadi, ayat pendek atau arahan sangat ringkas, dan simpan status hasil akhir bersama transkrip. Untuk fail lengkap, semak nama, kuantiti, kata nafi dan sempadan penutur, kemudian simpan mod terpilih serta audio sumber supaya hasil boleh disemak atau digunakan semula.