Google: Chirp 3

Google Chirp 3 je viacjazyčný model automatického rozpoznávania reči, ktorý prevádza hovorený zvuk na text. Google ho dokumentuje ako model prepisu Chirp 3 v rodine Speech-to-Text V2 s identifikátorom modelu chirp_3. Jeho účelom je rozpoznávanie nahranej alebo streamovanej reči s detekciou jazyka a funkciami špecifickými pre prepis. Výsledným artefaktom je prepis a metadáta podporované vybranou metódou rozpoznávania, nie generovaná reč alebo voľná odpoveď asistenta.

Výrobca rozlišuje streamované rozpoznávanie, synchrónne rozpoznávanie krátkych klipov a dávkové rozpoznávanie dlhších nahrávok. Režim vyberte podľa zdrojového zvuku a požadovaného výsledku. Pri krátkej hlasovej poznámke môže stačiť dokončená textová odpoveď. Pri rozhovore alebo nahranom hovore môže byť užitočnejší dávkový výsledok s informáciami o hovoriacich. Pri živých titulkoch alebo rozhraní hlasových príkazov odlišujte priebežný text od konečného výsledku rozpoznávania a zachovajte zvukový interval, ktorý opisuje.

Zvuk pripravte v kódovaní očakávanom implementáciou rozpoznávania. Príklady Google Chirp 3 používajú pre nahrané súbory automaticky zistené dekódovanie a pre konfiguráciu surového streamu výslovne určené dekódovanie. Súvisiaca referencia dekodéra V2 medzi podporovanými kódovaniami uvádza WAV PCM alebo kompandovaný zvuk, FLAC, MP3, Ogg/WebM Opus a AAC v kontajneroch MP4, M4A alebo MOV. Názov kontajnera nenahrádza skutočný kodek a konfiguráciu vzorkovania. Zachovajte zreteľnú reč a vyhnite sa výraznému skresleniu orezaním signálu alebo zbytočnému prevodu, pri ktorom sa strácajú počuteľné detaily.

Chirp 3 dokáže automaticky identifikovať a prepísať dominantný jazyk a sada očakávaných jazykových variantov môže zúžiť jeho možnosti rozpoznávania. Dostupnosť jazykov sa líši podľa metódy a funkcie. Zoznam jazykov prepisu je širší než zoznam diarizácie, preto rozpoznávanie jazyka nedokazuje, že sa naň vzťahuje každá funkcia týkajúca sa hovoriacich alebo časovania. Použite jazykový variant zodpovedajúci nahrávke a zachovajte mená či odborné výrazy vkladané z iného jazyka na kontrolu. Označenie rozpoznaného jazyka je súčasťou výsledku, nie dôkazom správneho rozpoznania všetkých neobvyklých slov.

Diarizácia hovoriacich zoskupuje reč podľa hlasu v jednokanálovej nahrávke. Google poskytuje príklad dávkového prepisu s informáciami o hovoriacom pri každom slove. Pri rozhovore zachovajte tieto označenia s rozpoznaným textom a pred priradením skutočných mien alebo rolí porovnajte zmeny hovoriacich s nahrávkou. Podobné hlasy, prerušovanie a prekrývanie reči môžu priradenie sťažovať. Jasne zachovajte usporiadanie kanálov zdroja a zamýšľanú úlohu kontroly hovoriacich namiesto považovania označenia za nezávisle overenú identitu.

Aj časovanie je špecifické pre metódu. Streamované rozpoznávanie poskytuje časové značky na úrovni výpovedí, zatiaľ čo pokyny výrobcu pre rozpoznávanie zo súborov opisujú voliteľné časovanie slov s možným kompromisom v kvalite prepisu. Zachovajte metadáta skutočne vrátené vybranou metódou a zarovnanie kontrolujte spolu so znením. Postup tvorby titulkov potrebuje oboje: čitateľný rozpoznaný text aj dôkaz, že časová hranica zodpovedá správnemu zvuku. Google tiež upozorňuje, že vrátená hodnota istoty na úrovni slova nie je skutočným skóre spoľahlivosti, preto sa nemá používať na potvrdenie správnosti slova.

Prispôsobenie rozpoznávania reči poskytuje frázy a vlastné mená, ktoré sa pravdepodobne v nahrávke vyskytnú. Výrobca dokumentuje slovník až 1 000 fráz a odporúča čo najmenej relevantných položiek, aby sa nezhoršilo rozpoznávanie iných výrazov. Pri technickej prezentácii pripravte krátky zoznam skutočných názvov produktov a skratiek a potom ich skontrolujte v prepise. Zvýhodnenie výrazov pomáha rozpoznávaniu zvažovať daný výraz; nedokazuje, že bol vyslovený, ani nenahrádza kontrolu podľa zvuku.

Model poskytuje automatickú interpunkciu a používanie veľkých písmen, ktoré dokumentované rozhranie dokáže vypnúť. Google opisuje aj predbežne dostupnú funkciu vlastných pokynov pre formátovanie prepisu, napríklad ako sa má písať určité meno alebo dátum. Tieto pokyny zamerajte na formátovanie rozpoznanej reči. Prepis, ktorý normalizuje dátum alebo zapisuje značku s veľkým písmenom, stále musí zachovať hovorený význam. Zhrnutie, preklad alebo faktická analýza sú neskorším použitím prepisu, nie niečím, čo preukazuje samotný výsledok rozpoznávania.

Vstavané odšumovanie je určené na zníženie hudby v pozadí a okolitých zvukov, ako je dážď alebo hluk ulice. Google výslovne uvádza, že nedokáže odstrániť ľudské hlasy v pozadí. Pri príprave nahrávky s prekrývajúcou sa konverzáciou tento rozdiel zachovajte. Hlučné aj tiché časti kontrolujte podľa zdroja namiesto predpokladu, že čistejšie vyzerajúci prepis dokazuje odstránenie rušivého zvuku. Užitočný výsledok ponecháva neisté pasáže identifikovateľné na opravu.

Pri streamovaných úlohách citlivosť určovania konca výpovede mení okamih, keď sa výpoveď považuje za skončenú. Výrobca opisuje nastavenia standard, short a supershort pre čoraz kratšiu očakávanú reč. Rýchlejšie nastavenie môže považovať výpoveď za skončenú, aj keď sa hovoriaci iba odmlčí uprostred myšlienky. Nastavenie prispôsobte prirodzenému diktátu, krátkej vete alebo veľmi krátkemu príkazu a spolu s prepisom uchovajte stav konečného výsledku. Pri dokončenom súbore skontrolujte mená, množstvá, zápory a hranice hovoriacich a potom zachovajte vybraný režim a zdrojový zvuk, aby sa výsledok dal overiť alebo znovu použiť.