Google: Chirp 3

Google Chirp 3 é um modelo multilingue de reconhecimento automático de fala que converte áudio falado em texto. A Google documenta-o como modelo de transcrição Chirp 3 na sua família Speech-to-Text V2, com o identificador de modelo chirp_3. A sua finalidade é reconhecer fala gravada ou transmitida em fluxo, com deteção de língua e funcionalidades específicas de transcrição. O artefacto resultante é uma transcrição e os metadados suportados pelo método de reconhecimento selecionado, em vez de voz gerada ou de uma resposta aberta de assistente.

O produtor distingue reconhecimento em fluxo, reconhecimento síncrono para excertos curtos e reconhecimento em lote para gravações mais longas. Escolha o modo conforme o áudio de origem e o resultado exigido. Para uma nota de voz curta, uma resposta textual concluída pode ser suficiente. Para uma entrevista ou chamada gravada, um resultado em lote com informação de locutores pode ser mais útil. Para legendas em direto ou uma interface de comandos falados, mantenha o texto intermédio distinto do resultado final de reconhecimento e preserve o intervalo áudio que descreve.

Prepare o áudio na codificação esperada pela implementação de reconhecimento. Os exemplos Chirp 3 da Google utilizam descodificação detetada automaticamente para ficheiros gravados e descodificação explícita para uma configuração de transmissão em fluxo de áudio bruto. A referência associada do descodificador V2 apresenta áudio WAV PCM ou com compressão e expansão de gama dinâmica, FLAC, MP3, Ogg/WebM Opus e AAC em contentores MP4, M4A ou MOV, entre as codificações suportadas. Um nome de contentor não substitui o codec e a configuração de amostragem reais. Preserve fala clara e evite saturação grave ou conversão desnecessária que perca pormenores audíveis.

O Chirp 3 pode identificar e transcrever automaticamente a língua dominante, e um conjunto de variantes linguísticas esperadas pode restringir as suas escolhas de reconhecimento. A disponibilidade linguística difere por método e funcionalidade. A lista de línguas de transcrição é mais ampla do que a de diarização, pelo que reconhecer uma língua não estabelece que todas as funcionalidades de locutores ou temporização se apliquem a ela. Utilize a variante linguística que corresponda à gravação e preserve nomes em alternância de línguas ou termos especializados para revisão. Um rótulo de língua detetada faz parte do resultado, não é prova de que todas as palavras invulgares tenham sido reconhecidas corretamente.

A diarização de locutores agrupa a fala por voz numa gravação de canal único. A Google fornece um exemplo de transcrição em lote com informação de locutor por palavra. Para uma entrevista, preserve esses rótulos com o texto reconhecido e compare as mudanças de locutor com a gravação antes de associar nomes ou funções reais. Vozes semelhantes, interrupções e fala sobreposta podem dificultar a atribuição. Mantenha claras a disposição dos canais da fonte e a tarefa pretendida de revisão de locutores, em vez de tratar um rótulo como identidade verificada independentemente.

A temporização é também específica do método. O reconhecimento em fluxo fornece marcas temporais ao nível do enunciado, enquanto a orientação do fabricante para reconhecimento de ficheiros descreve temporização opcional de palavras com um possível compromisso na qualidade da transcrição. Preserve os metadados efetivamente devolvidos pelo método escolhido e reveja o alinhamento juntamente com a formulação. Um fluxo de legendagem precisa de ambos: texto reconhecido legível e provas de que um limite temporal corresponde ao som certo. A Google alerta também que o valor de confiança devolvido ao nível da palavra não é uma verdadeira pontuação de confiança, pelo que não deve ser utilizado para certificar que uma palavra está correta.

A adaptação de fala fornece expressões e nomes próprios com probabilidade de ocorrerem na gravação. O fabricante documenta um dicionário de até 1 000 expressões e recomenda o menor número possível de entradas relevantes para evitar degradar o reconhecimento de outros termos. Para uma apresentação técnica, prepare uma lista curta de nomes reais de produtos e abreviaturas e depois inspecione-os na transcrição. A orientação por termos ajuda o reconhecimento a considerar um termo; não estabelece que esse termo tenha sido pronunciado nem substitui uma verificação face ao áudio.

O modelo fornece pontuação e capitalização automáticas, que a interface documentada pode desativar. A Google descreve também uma funcionalidade em pré-visualização para instruções personalizadas de formato de transcrição, como a forma de escrever um nome ou uma data específicos. Mantenha essas instruções focadas na formatação da fala reconhecida. Uma transcrição que normaliza uma data ou coloca maiúsculas numa marca continua a precisar de preservar o significado falado. Um resumo, tradução ou análise factual são utilizações posteriores da transcrição, e não algo estabelecido pelo próprio resultado de reconhecimento.

O redutor de ruído integrado destina-se a reduzir música de fundo e sons ambientais, como chuva ou ruído de rua. A Google afirma explicitamente que não consegue remover vozes humanas de fundo. Preserve essa distinção ao preparar uma gravação com conversa sobreposta. Inspecione as secções ruidosas e silenciosas face à fonte, em vez de pressupor que uma transcrição com aparência mais limpa prova que o som interferente foi removido. Um resultado útil mantém as passagens incertas identificáveis para correção.

Para tarefas em fluxo, a sensibilidade de deteção do fim da fala altera o momento em que um enunciado é tratado como concluído. O fabricante descreve definições standard, short e supershort para fala esperada progressivamente mais breve. Uma definição mais rápida pode cortar um locutor que faz uma pausa a meio de uma ideia. Faça corresponder a definição a ditado natural, uma frase curta ou um comando muito breve e mantenha o estado de resultado final com a transcrição. Para um ficheiro concluído, reveja nomes, quantidades, negações e limites de locutores e depois preserve o modo escolhido e o áudio de origem, para que o resultado possa ser verificado ou reutilizado.