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.
", "aboutText": "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.\n\nTillverkaren 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.\n\nFörbered 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.\n\nChirp 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.\n\nTalarseparering 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.\n\nTidsangivelser 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.\n\nTalanpassning 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.\n\nModellen 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.\n\nDen 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.\n\nFör 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.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "67a6951ca6a3afb707f40e453a1092f444e43c9c91f1e192bfdb5e36735086cb", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "sv", "methods": [ { "html": "google/chirp-3Google Chirp 3 är en flerspråkig taligenkänningsmodell för strömning, korta inspelningar och längre transkribering i batch. Den ger automatisk språkidentifiering, interpunktion, vokabuläranpassning och lägesberoende tids- eller talarmetadata. Dess brusreducering minskar bakgrundsljud men kan inte ta bort andra röster.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
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.
POST /v1/audio/transcriptionsaudiotext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser google/chirp-3 | Standard— |
Fältinput_audio | Typobject | KravObligatoriskt | Värden & gränser | Standard— |
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, input_audio |
Parametermaterial_types | Avtalaudio |
Parametermaterial_conditions | AvtalExemplet läser din faktiska, icke-tomma PCM WAV-fil, kodar filens samtliga byte som base64 och skickar input_audio.format som wav. |
Livscykel: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · exakt task_id från en befintlig mediepost som du äger
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
Matcha varje avgift mot de visade villkoren. Använd ett pris för varje uppsättning alternativa konfigurationer.
| Konfiguration | Prislista | Debiteringsenhet | Avgift |
|---|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Debiteringsenhet— | Avgift Indata · Indatatoken — / 1K token Utdata · Utdatatoken — / 1K token Indata · Cacheläsning — / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
| Konfigurationsekund inkommande ljud | Prislista— | Debiteringsenhetper sekund indataljud | Avgift Indata · sekund inkommande ljud $0.000533333333334 per sekund indataljud |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${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.\nHela den ursprungliga svarskroppen, statusen och vidarebefordrade svarshuvuden. Denna hanterare lägger inte till någon universell JSON-struktur, något textfält eller något uppgiftshölje.
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Spara hela svaret med headers, samtliga faktiska resultat, de ursprungliga returnerade identifierarna och alla användningsfält. Hämta den ursprungliga operationen utan att skicka skapandeförfrågan igen.
Behåll faktiskt X-Client-Request-ID och hela svaret. Läs de ursprungliga tillgångarna som du äger och deras exakta signerade innehållslänkar; skicka aldrig en osäker skapandebegäran igen.
| Fält | Typ |
|---|---|
Fälttext (when present) | Typ |
Fältusage (when present) | Typ |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorJSON-kroppen eller det uttryckliga kanoniska modell-ID:t är ogiltigt. | Nästa stegBehåll svaret och korrigera det angivna fältet i begäran. |
Svar401 · authentication_error | VillkorAPI-nyckeln för Ailoot är ogiltig. | Nästa stegAnvänd din behöriga API-nyckel för Ailoot. |
Svar403 · permission_error | VillkorNyckelgruppen ger inte tillträde till denna metod. | Nästa stegBehåll de returnerade feluppgifterna. |
Svar404 · not_found_error | VillkorDen valda metoden har ingen tillåten rutt. | Nästa stegBehåll de returnerade feluppgifterna. |
Svar422 · price_unavailable | VillkorDen accepterade tariffen kan inte fastställa den mängd eller gräns för indata som krävs. | Nästa stegBehåll svaret; använd den representation av indata som den accepterade tariffen kräver. |
Svar503 · | VillkorNödvändig lagring, rutt, metodpris eller reservation är inte tillgänglig. | Nästa stegBehåll hela det ursprungliga svaret. En osäker reservation ger inte tillstånd att skicka in igen. |
Svar502 · server_error | VillkorDet ursprungliga resultatet, förbrukningen eller avräkningen kräver kontroll. | Nästa stegBehåll det faktiska begärans-ID:t och det ursprungliga svaret. Läs den befintliga posten som du äger; skicka inte skapandebegäran igen. |
Ailoot Ultra google/chirp-3
Använd metodsökvägarna som visas ovan.