Google: Chirp 3

Google Chirp 3 je večjezični model za samodejno prepoznavanje govora, ki pretvarja govorjeni zvok v besedilo. Google ga dokumentira kot model za prepisovanje Chirp 3 v svoji družini Speech-to-Text V2 z identifikatorjem modela chirp_3. Namenjen je prepoznavanju posnetega ali pretočnega govora z zaznavanjem jezika in funkcijami, posebej namenjenimi prepisovanju. Nastali izdelek je prepis z metapodatki, ki jih podpira izbrana metoda prepoznavanja, ne ustvarjen govor ali odprt odgovor pomočnika.

Proizvajalec razlikuje med pretočnim prepoznavanjem, sinhronim prepoznavanjem kratkih posnetkov in paketnim prepoznavanjem daljših posnetkov. Način izberite glede na izvorni zvok in zahtevani rezultat. Pri kratkem glasovnem sporočilu lahko zadostuje dokončan besedilni odgovor. Pri intervjuju ali posnetem klicu je lahko uporabnejši paketni rezultat s podatki o govorcih. Pri podnapisih v živo ali vmesniku za govorne ukaze ločite vmesno besedilo od končnega rezultata prepoznavanja in ohranite zvočni interval, ki ga opisuje.

Zvok pripravite v kodiranju, ki ga pričakuje izvedba prepoznavanja. Googlovi primeri Chirp 3 za posnete datoteke uporabljajo samodejno zaznano dekodiranje, za konfiguracijo surovega zvočnega toka pa izrecno dekodiranje. Povezana referenčna dokumentacija dekodirnika V2 med podprtimi kodiranji navaja WAV PCM ali zvok s kompandiranjem, FLAC, MP3, Ogg/WebM Opus in AAC v vsebnikih MP4, M4A ali MOV. Ime vsebnika ne nadomesti dejanskega kodeka in konfiguracije vzorčenja. Ohranite jasen govor ter se izogibajte močnemu odrezovanju signala ali nepotrebnim pretvorbam, ki izgubijo slišne podrobnosti.

Chirp 3 lahko samodejno prepozna in prepiše prevladujoči jezik, nabor pričakovanih jezikovnih različic pa lahko zoži izbiro pri prepoznavanju. Razpoložljivost jezikov se razlikuje glede na metodo in funkcijo. Seznam jezikov za prepisovanje je širši od seznama za diarizacijo, zato prepoznavanje jezika ne dokazuje, da zanj veljajo vse funkcije govorcev ali časovnih oznak. Uporabite jezikovno različico, ki ustreza posnetku, ter ohranite imena ali strokovne izraze ob preklapljanju med jeziki za pregled. Oznaka zaznanega jezika je del rezultata, ne dokaz, da so bile vse neobičajne besede pravilno prepoznane.

Diarizacija govorcev razvršča govor po glasovih v enokanalnem posnetku. Google ponuja primer paketnega prepisovanja s podatki o govorcu pri vsaki besedi. Pri intervjuju ohranite te oznake skupaj s prepoznanim besedilom in spremembe govorca primerjajte s posnetkom, preden jim pripišete dejanska imena ali vloge. Podobni glasovi, prekinitve in prekrivajoči se govor lahko otežijo pripisovanje. Jasno opredelite razporeditev kanalov vira in predvideno nalogo preverjanja govorcev, namesto da bi oznako obravnavali kot neodvisno preverjeno identiteto.

Tudi časovni podatki so odvisni od metode. Pretočno prepoznavanje zagotavlja časovne oznake na ravni izjav, proizvajalčeva navodila za prepoznavanje datotek pa opisujejo izbirne časovne oznake besed z možnim vplivom na kakovost prepisa. Ohranite metapodatke, ki jih izbrana metoda dejansko vrne, in poravnavo preverite skupaj z ubeseditvijo. Postopek priprave podnapisov potrebuje oboje: berljivo prepoznano besedilo in dokaze, da časovna meja ustreza pravemu zvoku. Google opozarja tudi, da vrnjena vrednost zaupanja na ravni besede ni prava ocena zaupanja, zato je ne smete uporabiti za potrjevanje pravilnosti besede.

Prilagajanje prepoznavanja govora zagotavlja besedne zveze in lastna imena, ki se bodo verjetno pojavila v posnetku. Proizvajalec dokumentira slovar z do 1,000 besednimi zvezami in priporoča čim manj ustreznih vnosov, da se prepreči poslabšanje prepoznavanja drugih izrazov. Pri tehnični predstavitvi pripravite kratek seznam dejanskih imen izdelkov in okrajšav ter jih nato preverite v prepisu. Dajanje prednosti izrazu pomaga, da ga prepoznavanje upošteva; ne dokazuje pa, da je bil izraz izgovorjen, in ne nadomesti preverjanja glede na zvok.

Model samodejno dodaja ločila in velike začetnice, kar je v dokumentiranem vmesniku mogoče izključiti. Google opisuje tudi funkcijo v predogledu za navodila po meri glede oblike prepisa, na primer kako naj bo zapisano določeno ime ali datum. Ta navodila naj se osredotočajo na oblikovanje prepoznanega govora. Prepis, ki poenoti zapis datuma ali ime znamke zapiše z veliko začetnico, mora še vedno ohraniti izgovorjeni pomen. Povzetek, prevod ali stvarna analiza so poznejša uporaba prepisa, ne nekaj, kar bi dokazoval sam rezultat prepoznavanja.

Vgrajeni odstranjevalnik šuma je namenjen zmanjševanju glasbe v ozadju in okoljskih zvokov, kot sta dež ali ulični hrup. Google izrecno navaja, da ne more odstraniti človeških glasov v ozadju. Pri pripravi posnetka s prekrivajočim se pogovorom ohranite to razliko. Hrupne in tihe odseke preverite glede na vir, namesto da bi domnevali, da bolj urejen prepis dokazuje odstranitev motečega zvoka. Uporaben rezultat ohranja negotove odlomke prepoznavne za popravek.

Pri pretočnih nalogah občutljivost zaznavanja konca izjave določa, kdaj se izjava šteje za končano. Proizvajalec opisuje nastavitve standard, short in supershort za vedno krajši pričakovani govor. Hitrejša nastavitev lahko odreže govorca, ki sredi misli naredi premor. Nastavitev prilagodite naravnemu nareku, kratki povedi ali zelo kratkemu ukazu ter skupaj s prepisom ohranite status končnega rezultata. Pri dokončani datoteki preverite imena, količine, zanikanja in meje med govorci, nato pa ohranite izbrani način in izvorni zvok, da je rezultat mogoče preveriti ali znova uporabiti.