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.
", "aboutText": "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.\n\nO 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.\n\nPrepare 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.\n\nO 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.\n\nA 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.\n\nA 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.\n\nA 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.\n\nO 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.\n\nO 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.\n\nPara 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.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "b65ce762a2e34249468bcce0381c1d288f7a115375f845ebb3fc8b85f0b5c349", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "pt-pt", "methods": [ { "html": "google/chirp-3Google Chirp 3 é um modelo multilingue de reconhecimento de fala para transmissão em fluxo, gravações curtas e transcrição em lote de gravações mais longas. Oferece deteção automática de língua, pontuação, adaptação de vocabulário e metadados de temporização ou locutores dependentes do modo. O seu redutor de ruído reduz o ruído de fundo, mas não consegue remover outras vozes.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
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.
POST /v1/audio/transcriptionsaudiotext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites google/chirp-3 | Predefinição— |
Campoinput_audio | Tipoobject | RequisitoObrigatório | Valores e limites | Predefinição— |
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, input_audio |
Parâmetromaterial_types | Contratoaudio |
Parâmetromaterial_conditions | ContratoO exemplo lê o seu ficheiro PCM WAV real e não vazio, codifica todos os bytes do ficheiro em base64 e envia input_audio.format como wav. |
Ciclo de vida: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · task_id exato de um registo multimédia existente pertencente ao utilizador
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado.
Associe cada custo às condições apresentadas. Use uma única tarifa para cada conjunto de configurações alternativas.
| Configuração | Tabela de tarifas | Unidade de faturação | Custo |
|---|---|---|---|
| ConfiguraçãoTarifas base por token | Tabela de tarifasTarifa base | Unidade de faturação— | Custo Entrada · Tokens de entrada — / 1K tokens Saída · Tokens de saída — / 1K tokens Entrada · Leitura da cache — / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
| Configuraçãosegundo de áudio de entrada | Tabela de tarifas— | Unidade de faturaçãopor segundo de áudio de entrada | Custo Entrada · segundo de áudio de entrada $0.000533333333334 por segundo de áudio de entrada |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_AUDIO_FILE:?Set the path to your actual PCM WAV recording}"\nexport AILOOT_AUDIO_FILE\npython3 - <<'PY_REQUEST'\nimport base64, io, json, os, wave\nfrom pathlib import Path\naudio = Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()\nif not (audio[:4] == b'RIFF' and audio[8:12] == b'WAVE'):\n raise SystemExit('Supply your actual PCM WAV audio file')\nwith wave.open(io.BytesIO(audio), 'rb') as recording:\n if recording.getcomptype() != 'NONE' or recording.getnframes() <= 0:\n raise SystemExit('Supply a nonempty PCM WAV recording')\nrequest = {'model': 'google/chirp-3', 'input_audio': {'data': base64.b64encode(audio).decode('ascii'), 'format': 'wav'}}\nPath('request.json').write_text(json.dumps(request, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o response.bin\n# Retain the complete original response, headers and actual X-Client-Request-ID.\n# Read existing owned records for recovery; do not resubmit an uncertain operation.\nCorpo completo da resposta original, estado e cabeçalhos encaminhados. Este processador não adiciona qualquer estrutura JSON universal, campo de texto ou estrutura envolvente de tarefa.
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Conserve a resposta completa e os cabeçalhos, todos os resultados efetivamente produzidos, os identificadores originais devolvidos e todos os campos de utilização. Recupere a operação original sem voltar a enviar o pedido de criação.
Conserve o X-Client-Request-ID real e a resposta completa. Consulte os recursos originais pertencentes ao utilizador e os respetivos URLs assinados exatos de conteúdo; nunca volte a enviar uma criação incerta.
| Campo | Tipo |
|---|---|
Campotext (when present) | Tipo |
Campousage (when present) | Tipo |
| Resposta | Condição | Passo seguinte |
|---|---|---|
Resposta400 · invalid_request_error | CondiçãoO corpo JSON ou o ID canónico explícito do modelo é inválido. | Passo seguinteConserve a resposta e corrija o campo indicado no pedido. |
Resposta401 · authentication_error | CondiçãoA chave API da Ailoot é inválida. | Passo seguinteUtilize a sua chave API autorizada da Ailoot. |
Resposta403 · permission_error | CondiçãoO grupo da chave não permite este método. | Passo seguinteConserve os detalhes do erro devolvido. |
Resposta404 · not_found_error | CondiçãoO método selecionado não tem uma rota autorizada. | Passo seguinteConserve os detalhes do erro devolvido. |
Resposta422 · price_unavailable | CondiçãoO tarifário aceite não consegue obter a quantidade de entrada ou o limite de que necessita. | Passo seguinteConserve a resposta; utilize a representação da entrada exigida pelo tarifário aceite. |
Resposta503 · | CondiçãoO armazenamento, a rota, o preço do método ou a reserva de que necessita não está disponível. | Passo seguinteConserve a resposta original completa. Uma reserva incerta não autoriza o reenvio. |
Resposta502 · server_error | CondiçãoO resultado, a utilização ou a liquidação original requer verificação. | Passo seguinteConserve o ID real do pedido e a resposta original. Consulte o registo existente pertencente ao utilizador; não volte a enviar o pedido de criação. |
Ailoot Ultra google/chirp-3
Use os caminhos dos métodos indicados acima.