Google: Chirp 3

Google Chirp 3 er en flerspråklig modell for automatisk talegjenkjenning som gjør talt lyd om til tekst. Google dokumenterer den som transkripsjonsmodellen Chirp 3 i Speech-to-Text V2-familien, med modellidentifikatoren chirp_3. Formålet er å gjenkjenne tale fra opptak eller strømming, med språkgjenkjenning og transkripsjonsspesifikke egenskaper. Den resulterende leveransen er en transkripsjon og metadataene som støttes av den valgte gjenkjenningsmetoden, fremfor generert tale eller et åpent assistentsvar.

Produsenten skiller mellom strømmegjenkjenning, synkron gjenkjenning for korte klipp og satsvis gjenkjenning for lengre opptak. Velg modus etter kildelyden og det ønskede resultatet. For et kort talenotat kan et ferdig tekstsvar være tilstrekkelig. For et intervju eller en innspilt samtale kan et satsvis resultat med talerinformasjon være mer nyttig. For direkteteksting eller et grensesnitt for talekommandoer bør du holde foreløpig tekst atskilt fra det endelige gjenkjenningsresultatet og bevare lydintervallet teksten beskriver.

Klargjør lyden i kodingen som gjenkjenningsimplementasjonen forventer. Googles Chirp 3-eksempler bruker dekoding med automatisk formatgjenkjenning for opptaksfiler og eksplisitt angitt dekoding for en konfigurasjon med rå lydstrøm. Den tilhørende V2-dekoderreferansen oppgir WAV PCM eller kompandert lyd, FLAC, MP3, Ogg/WebM Opus og AAC i MP4-, M4A- eller MOV-beholdere blant de støttede kodingene. Et beholdernavn erstatter ikke den faktiske kodeken og samplingskonfigurasjonen. Bevar tydelig tale og unngå kraftig klipping eller unødvendig konvertering som mister hørbare detaljer.

Chirp 3 kan automatisk identifisere og transkribere det dominerende språket, og et sett med forventede språkvarianter kan begrense valgmulighetene ved gjenkjenning. Språktilgjengeligheten varierer etter metode og egenskap. Språklisten for transkripsjon er bredere enn listen for talerdiarisering, så at et språk gjenkjennes, fastslår ikke at alle taler- eller tidsfunksjoner gjelder for det. Bruk språkvarianten som passer til opptaket, og behold navn eller faguttrykk som veksler mellom språk, for gjennomgang. En etikett for det gjenkjente språket er del av resultatet, ikke bevis på at alle uvanlige ord ble gjenkjent riktig.

Talerdiarisering grupperer tale etter stemme i et enkanalsopptak. Google gir et eksempel på satsvis transkripsjon med talerinformasjon per ord. For et intervju bør du beholde disse etikettene sammen med den gjenkjente teksten og sammenligne talerbytter med opptaket før du knytter til faktiske navn eller roller. Like stemmer, avbrytelser og overlappende tale kan gjøre tilordning vanskelig. Gjør kildeopptakets kanaloppsett og den tiltenkte kontrollen av talere tydelig i stedet for å behandle en etikett som en uavhengig bekreftet identitet.

Tidsangivelser er også metodespesifikke. Strømmegjenkjenning gir tidsstempler på ytringsnivå, mens produsentens veiledning for filgjenkjenning beskriver valgfrie tidsangivelser per ord med en mulig avveining mot transkripsjonskvaliteten. Bevar metadataene som faktisk returneres av den valgte metoden, og kontroller synkroniseringen sammen med ordlyden. En arbeidsflyt for teksting trenger begge deler: lesbar gjenkjent tekst og underlag for at en tidsgrense samsvarer med riktig lyd. Google advarer også om at den returnerte konfidensverdien per ord ikke er et reelt mål på sikkerhet, og at den derfor ikke bør brukes til å bekrefte at et ord er riktig.

Taletilpasning tilfører fraser og egennavn som sannsynligvis forekommer i opptaket. Produsenten dokumenterer en ordliste med opptil 1,000 fraser og anbefaler så få relevante oppføringer som mulig for å unngå å svekke gjenkjenningen av andre uttrykk. For en teknisk presentasjon kan du klargjøre en kort liste over faktiske produktnavn og forkortelser og deretter undersøke dem i transkripsjonen. Slik vekting hjelper gjenkjenningen med å vurdere et uttrykk; den fastslår ikke at uttrykket ble uttalt, og erstatter ikke en kontroll mot lyden.

Modellen gir automatisk tegnsetting og bruk av store bokstaver, som kan slås av i det dokumenterte grensesnittet. Google beskriver også en forhåndsfunksjon for egendefinerte instruksjoner om transkripsjonsformat, som hvordan et bestemt navn eller en dato skal skrives. Hold disse instruksjonene rettet mot formatering av den gjenkjente talen. En transkripsjon som normaliserer en dato eller skriver et merkenavn med stor forbokstav, må fortsatt bevare meningen i det som ble sagt. En oppsummering, oversettelse eller faktabasert analyse er en senere bruk av transkripsjonen, fremfor noe som fastslås av selve gjenkjenningsresultatet.

Den innebygde støyfjerningen er ment å redusere bakgrunnsmusikk og omgivelseslyder som regn eller gatestøy. Google sier uttrykkelig at den ikke kan fjerne menneskestemmer i bakgrunnen. Bevar dette skillet når du klargjør et opptak med overlappende samtaler. Kontroller støyende og stille deler mot kilden i stedet for å anta at en transkripsjon som ser renere ut, beviser at den forstyrrende lyden ble fjernet. Et nyttig resultat holder usikre passasjer gjenkjennelige slik at de kan rettes.

Ved strømmeoppgaver påvirker følsomheten for ytringsavslutning når en ytring regnes som ferdig. Produsenten beskriver innstillingene standard, short og supershort for stadig kortere forventet tale. En raskere innstilling kan avbryte en taler som tar en pause midt i en tanke. Tilpass innstillingen til naturlig diktering, en kort setning eller en svært kort kommando, og behold statusen for endelig resultat sammen med transkripsjonen. For en ferdig fil bør du kontrollere navn, mengder, nektelser og talergrenser og deretter beholde valgt modus og kildelyd slik at resultatet kan kontrolleres eller gjenbrukes.