Google: Chirp 3

Google Chirp 3 är en flerspråkig modell för automatisk taligenkänning som omvandlar talat ljud till text. Google dokumenterar den som transkriberingsmodellen Chirp 3 i familjen Speech-to-Text V2, med modellidentifieraren chirp_3. Dess syfte är att känna igen inspelat eller strömmat tal, med språkidentifiering och transkriberingsspecifika funktioner. Den resulterande artefakten är en transkription och de metadata som den valda igenkänningsmetoden stödjer, snarare än genererat tal eller ett öppet assistentsvar.

Tillverkaren skiljer mellan strömmande igenkänning, synkron igenkänning för korta klipp och batchigenkänning för längre inspelningar. Välj läge efter källjudet och det önskade resultatet. För en kort röstanteckning kan ett färdigt textsvar räcka. För en intervju eller ett inspelat samtal kan ett batchresultat med talarinformation vara mer användbart. För direkttextning eller ett gränssnitt med talade kommandon ska mellanliggande text hållas åtskild från det slutliga igenkänningsresultatet och det ljudintervall den beskriver bevaras.

Förbered ljudet med den kodning som igenkänningsimplementationen förväntar sig. Googles Chirp 3-exempel använder automatiskt identifierad avkodning för inspelade filer och uttrycklig avkodning för en rå strömningskonfiguration. Den tillhörande V2-avkodarreferensen listar WAV PCM eller kompanderat ljud, FLAC, MP3, Ogg/WebM Opus och AAC i containrarna MP4, M4A eller MOV bland sina stödda kodningar. Ett containernamn ersätter inte den faktiska kodeken och samplingskonfigurationen. Bevara tydligt tal och undvik kraftig klippning eller onödig konvertering som förlorar hörbara detaljer.

Chirp 3 kan identifiera och transkribera det dominerande språket automatiskt, och en uppsättning förväntade språkvarianter kan begränsa igenkänningens val. Språktillgängligheten varierar mellan metoder och funktioner. Listan över transkriberingsspråk är bredare än listan för talarseparering, så att ett språk känns igen fastställer inte att varje talar- eller tidsfunktion gäller för det. Använd den språkvariant som matchar inspelningen och behåll namn eller facktermer från språkväxling för granskning. En etikett för identifierat språk är en del av resultatet, inte belägg för att alla ovanliga ord kändes igen korrekt.

Talarseparering grupperar tal efter röst i en enkanalsinspelning. Google tillhandahåller ett exempel på batchtranskribering med talarinformation per ord. För en intervju ska etiketterna behållas tillsammans med den igenkända texten och talarbyten jämföras med inspelningen innan faktiska namn eller roller kopplas till dem. Liknande röster, avbrott och överlappande tal kan göra tilldelningen svår. Håll källans kanaluppsättning och den avsedda uppgiften för talargranskning tydliga i stället för att behandla en etikett som en oberoende verifierad identitet.

Tidsangivelser är också metodspecifika. Strömmande igenkänning ger tidsstämplar på yttrandenivå, medan tillverkarens vägledning för filigenkänning beskriver valfria ordtidsangivelser med en möjlig avvägning mot transkriberingskvaliteten. Behåll de metadata som faktiskt returneras av den valda metoden och granska tidsanpassningen tillsammans med ordalydelsen. Ett textningsflöde behöver båda: lättläst igenkänd text och belägg för att en tidsgräns motsvarar rätt ljud. Google varnar också för att det returnerade konfidensvärdet på ordnivå inte är ett verkligt konfidensmått, så det ska inte användas för att intyga att ett ord är korrekt.

Talanpassning tillför fraser och egennamn som sannolikt förekommer i inspelningen. Tillverkaren dokumenterar en ordbok med upp till 1,000 fraser och rekommenderar så få relevanta poster som möjligt för att undvika försämrad igenkänning av andra termer. För en teknisk presentation ska du förbereda en kort lista med faktiska produktnamn och förkortningar och sedan granska dem i transkriptionen. Styrning mot termer hjälper igenkänningen att beakta en term; den fastställer inte att termen uttalades och ersätter inte en kontroll mot ljudet.

Modellen ger automatisk interpunktion och användning av stora och små bokstäver, vilket det dokumenterade gränssnittet kan stänga av. Google beskriver också en förhandsfunktion för anpassade instruktioner för transkriptionsformat, till exempel hur ett visst namn eller datum ska skrivas. Håll instruktionerna fokuserade på formateringen av det igenkända talet. En transkription som normaliserar ett datum eller skriver ett varumärke med stor bokstav behöver fortfarande bevara den talade betydelsen. En sammanfattning, översättning eller faktaanalys är en senare användning av transkriptionen snarare än något som fastställs av igenkänningsresultatet i sig.

Den inbyggda brusreduceringen är avsedd att minska bakgrundsmusik och omgivningsljud som regn eller gatubuller. Google anger uttryckligen att den inte kan ta bort mänskliga röster i bakgrunden. Bevara den skillnaden när en inspelning med överlappande samtal förbereds. Granska bullriga och tysta avsnitt mot källan i stället för att anta att en renare transkription bevisar att det störande ljudet togs bort. Ett användbart resultat gör osäkra passager möjliga att identifiera för rättning.

För strömningsuppgifter förändrar känsligheten för slutpunktsdetektering när ett yttrande behandlas som avslutat. Tillverkaren beskriver inställningarna standard, short och supershort för allt kortare förväntat tal. En snabbare inställning kan klippa av en talare som pausar mitt i en tanke. Anpassa inställningen till naturlig diktering, en kort mening eller ett mycket kort kommando och behåll statusen för slutligt resultat med transkriptionen. För en färdig fil ska du granska namn, mängdangivelser, negationer och talargränser och sedan behålla valt läge och källjud så att resultatet kan kontrolleras eller återanvändas.