Google: Chirp 3

Google Chirp 3 เป็นโมเดลรู้จำเสียงพูดหลายภาษาสำหรับการสตรีม ไฟล์บันทึกเสียงสั้น และการถอดเสียงแบบแบตช์จากไฟล์ที่ยาวกว่า มีการตรวจจับภาษาอัตโนมัติ การใส่เครื่องหมายวรรคตอน การปรับการรู้จำให้เข้ากับคำศัพท์ และข้อมูลเวลาหรือข้อมูลผู้พูดที่ขึ้นอยู่กับโหมด ตัวลดเสียงรบกวนช่วยลดเสียงพื้นหลัง แต่ไม่สามารถกำจัดเสียงพูดของคนอื่นได้

Ailoot Ultra · การถอดเสียง POST /v1/audio/transcriptions google/chirp-3

เกี่ยวกับโมเดล

คำอธิบายนี้ครอบคลุมความสามารถของโมเดล อินพุต เอาต์พุต และตัวเลือกที่ใช้ได้ใน Ailoot แสดงด้านล่างตามเมธอดที่เลือก

Google Chirp 3 เป็นโมเดลรู้จำเสียงพูดอัตโนมัติหลายภาษาที่แปลงเสียงพูดเป็นข้อความ Google ระบุไว้ในเอกสารว่าเป็นโมเดลถอดเสียง Chirp 3 ในตระกูล Speech-to-Text V2 โดยมีรหัสโมเดล chirp_3 จุดประสงค์คือการรู้จำเสียงพูดที่บันทึกไว้หรือส่งมาแบบสตรีม พร้อมการตรวจจับภาษาและคุณสมบัติเฉพาะสำหรับการถอดเสียง ชิ้นงานที่ได้คือบทถอดเสียงและเมทาดาทาที่วิธีรู้จำที่เลือกนั้นรองรับ ไม่ใช่เสียงพูดที่สร้างขึ้นหรือคำตอบปลายเปิดจากผู้ช่วย

ผู้ผลิตแยกการรู้จำเป็นการรู้จำแบบสตรีม การรู้จำแบบซิงโครนัสสำหรับคลิปสั้น และการรู้จำแบบแบตช์สำหรับไฟล์บันทึกเสียงที่ยาวกว่า เลือกโหมดตามเสียงต้นฉบับและผลลัพธ์ที่ต้องการ สำหรับข้อความเสียงสั้น คำตอบข้อความที่ประมวลผลเสร็จแล้วอาจเพียงพอ สำหรับการสัมภาษณ์หรือสายสนทนาที่บันทึกไว้ ผลลัพธ์แบบแบตช์ที่มีข้อมูลผู้พูดอาจมีประโยชน์มากกว่า สำหรับคำบรรยายสดหรืออินเทอร์เฟซรับคำสั่งด้วยเสียง ให้แยกข้อความระหว่างประมวลผลออกจากผลการรู้จำขั้นสุดท้าย และเก็บช่วงเวลาของเสียงที่ข้อความนั้นอธิบายไว้ด้วย

เตรียมเสียงด้วยการเข้ารหัสที่การใช้งานระบบรู้จำคาดหวัง ตัวอย่าง Chirp 3 ของ Google ใช้การตรวจจับวิธีถอดรหัสอัตโนมัติสำหรับไฟล์ที่บันทึกไว้ และกำหนดวิธีถอดรหัสอย่างชัดเจนสำหรับการตั้งค่าสตรีมเสียงดิบ เอกสารอ้างอิงตัวถอดรหัส V2 ที่เกี่ยวข้องระบุการเข้ารหัสที่รองรับ เช่น WAV PCM หรือเสียงแบบคอมแพนด์, FLAC, MP3, Ogg/WebM Opus และ AAC ในคอนเทนเนอร์ MP4, M4A หรือ MOV ชื่อคอนเทนเนอร์ไม่สามารถใช้แทนข้อมูลโคเดกและการตั้งค่าการสุ่มตัวอย่างจริงได้ ควรรักษาความชัดเจนของเสียงพูด และหลีกเลี่ยงเสียงแตกจากการตัดยอดสัญญาณอย่างรุนแรงหรือการแปลงที่ไม่จำเป็นจนทำให้รายละเอียดเสียงสูญหาย

Chirp 3 สามารถระบุและถอดเสียงภาษาหลักได้โดยอัตโนมัติ และการระบุชุดโลแคลที่คาดว่าจะพบสามารถจำกัดตัวเลือกในการรู้จำให้แคบลงได้ ภาษาที่ใช้ได้แตกต่างกันไปตามวิธีและคุณสมบัติ รายการภาษาที่ถอดเสียงได้มีขอบเขตกว้างกว่ารายการภาษาที่รองรับการแยกผู้พูด ดังนั้น การรู้จำภาษาหนึ่งได้จึงไม่ได้ยืนยันว่าคุณสมบัติเกี่ยวกับผู้พูดหรือเวลาทั้งหมดใช้กับภาษานั้นได้ เลือกโลแคลให้ตรงกับไฟล์บันทึกเสียง และเก็บชื่อหรือศัพท์เฉพาะที่มีการสลับภาษาไว้เพื่อตรวจทาน ป้ายกำกับภาษาที่ตรวจพบเป็นส่วนหนึ่งของผลลัพธ์ ไม่ใช่หลักฐานว่าคำที่พบไม่บ่อยทั้งหมดได้รับการรู้จำอย่างถูกต้อง

การแยกผู้พูดจัดกลุ่มเสียงพูดตามเสียงของแต่ละคนในไฟล์บันทึกเสียงช่องเดียว Google มีตัวอย่างการถอดเสียงแบบแบตช์ที่ให้ข้อมูลผู้พูดแยกเป็นรายคำ สำหรับการสัมภาษณ์ ให้เก็บป้ายกำกับเหล่านี้คู่กับข้อความที่รู้จำได้ และเทียบจังหวะเปลี่ยนผู้พูดกับเสียงบันทึกก่อนผูกกับชื่อจริงหรือบทบาท เสียงที่คล้ายกัน การพูดแทรก และการพูดทับกันอาจทำให้ระบุผู้พูดได้ยาก ควรระบุรูปแบบช่องเสียงของต้นฉบับและงานตรวจทานผู้พูดที่ต้องการให้ชัดเจน แทนการถือว่าป้ายกำกับเป็นข้อมูลยืนยันตัวตนที่ตรวจสอบแยกต่างหากแล้ว

ข้อมูลเวลาก็ขึ้นอยู่กับวิธีที่ใช้เช่นกัน การรู้จำแบบสตรีมให้ข้อมูลประทับเวลาระดับช่วงคำพูด ส่วนคำแนะนำของผู้ผลิตสำหรับการรู้จำจากไฟล์อธิบายตัวเลือกข้อมูลเวลารายคำ ซึ่งอาจต้องแลกกับคุณภาพการถอดเสียง เก็บเมทาดาทาที่วิธีที่เลือกส่งกลับมาจริง และตรวจทานความตรงกันของเวลากับเสียงควบคู่กับถ้อยคำ เวิร์กโฟลว์คำบรรยายต้องการทั้งสองส่วน คือข้อความที่รู้จำได้และอ่านเข้าใจง่าย กับหลักฐานว่าขอบเขตเวลาตรงกับเสียงที่ถูกต้อง Google ยังเตือนว่าค่าความมั่นใจระดับคำที่ส่งกลับมาไม่ใช่คะแนนความมั่นใจที่แท้จริง จึงไม่ควรใช้รับรองว่าคำนั้นถูกต้อง

การปรับการรู้จำเสียงพูดช่วยป้อนวลีและชื่อเฉพาะที่น่าจะปรากฏในเสียงบันทึก ผู้ผลิตระบุว่าพจนานุกรมรองรับได้สูงสุด 1,000 วลี และแนะนำให้ใช้รายการที่เกี่ยวข้องให้น้อยที่สุดเท่าที่จำเป็น เพื่อไม่ให้การรู้จำคำอื่นด้อยลง สำหรับการนำเสนอทางเทคนิค ให้เตรียมรายการสั้น ๆ ของชื่อผลิตภัณฑ์และคำย่อที่ใช้จริง แล้วตรวจสอบคำเหล่านั้นในบทถอดเสียง การเพิ่มน้ำหนักให้คำช่วยให้ระบบพิจารณาคำนั้นในการรู้จำ แต่ไม่ได้ยืนยันว่ามีการพูดคำนั้นจริง และใช้แทนการตรวจเทียบกับเสียงไม่ได้

โมเดลใส่เครื่องหมายวรรคตอนและอักษรตัวพิมพ์ใหญ่โดยอัตโนมัติ ซึ่งสามารถปิดได้ผ่านอินเทอร์เฟซที่ระบุในเอกสาร Google ยังอธิบายคุณสมบัติแบบพรีวิวสำหรับคำสั่งกำหนดรูปแบบการถอดเสียงเอง เช่น ต้องการให้เขียนชื่อหรือวันที่ใดในรูปแบบใด ให้คำสั่งเหล่านี้เน้นเฉพาะการจัดรูปแบบเสียงพูดที่รู้จำได้ บทถอดเสียงที่ปรับวันที่ให้เป็นรูปแบบมาตรฐานหรือใช้ตัวพิมพ์ใหญ่กับแบรนด์ยังคงต้องรักษาความหมายของคำพูด การสรุป การแปล หรือการวิเคราะห์ข้อเท็จจริงเป็นการนำบทถอดเสียงไปใช้ในขั้นถัดไป ไม่ใช่สิ่งที่ผลการรู้จำเพียงอย่างเดียวยืนยันได้

ตัวลดเสียงรบกวนในตัวมีไว้เพื่อลดเสียงดนตรีพื้นหลังและเสียงแวดล้อม เช่น ฝนหรือเสียงบนถนน Google ระบุชัดเจนว่าไม่สามารถกำจัดเสียงมนุษย์ที่พูดอยู่เบื้องหลังได้ รักษาความแตกต่างนี้ไว้เมื่อเตรียมเสียงบันทึกที่มีบทสนทนาซ้อนกัน ตรวจสอบทั้งช่วงที่มีเสียงรบกวนและช่วงที่เงียบโดยเทียบกับต้นฉบับ แทนการสันนิษฐานว่าบทถอดเสียงที่ดูสะอาดขึ้นพิสูจน์แล้วว่าเสียงรบกวนถูกกำจัด ผลลัพธ์ที่มีประโยชน์ควรทำให้ระบุช่วงที่ไม่แน่ชัดเพื่อแก้ไขได้

สำหรับงานสตรีม ความไวในการตรวจจับจุดจบของคำพูดกำหนดว่าเมื่อใดจะถือว่าช่วงคำพูดสิ้นสุด ผู้ผลิตอธิบายการตั้งค่า standard, short และ supershort สำหรับคำพูดที่คาดว่าจะสั้นลงตามลำดับ การตั้งค่าที่เร็วกว่าสามารถตัดคำพูดของผู้พูดที่เว้นจังหวะทั้งที่ยังพูดไม่จบได้ เลือกการตั้งค่าให้เหมาะกับการบอกข้อความตามธรรมชาติ ประโยคสั้น หรือคำสั่งที่สั้นมาก และเก็บสถานะผลลัพธ์ขั้นสุดท้ายไว้กับบทถอดเสียง สำหรับไฟล์ที่บันทึกเสร็จแล้ว ให้ตรวจทานชื่อ ปริมาณ คำปฏิเสธ และขอบเขตการเปลี่ยนผู้พูด จากนั้นเก็บโหมดที่เลือกและเสียงต้นฉบับไว้เพื่อให้ตรวจสอบหรือนำผลลัพธ์กลับมาใช้ได้

Ailoot Ultra · การถอดเสียง POST /v1/audio/transcriptions google/chirp-3

google/chirp-3

Google /google/chirp-3

เริ่มต้น

อินพุตที่รองรับ: เสียง
ผลลัพธ์: ข้อความ

ใช้งานได้ใน Ailoot · อินพุตและเมธอด

Ailoot Ultra · การถอดเสียง POST /v1/audio/transcriptions

ขาเข้า: audio
ขาออก: text

ฟิลด์	ประเภท	ข้อกำหนด	ค่าและข้อจำกัด	ค่าเริ่มต้น
ฟิลด์`model`	ประเภท`string`	ข้อกำหนดจำเป็น	ค่าและข้อจำกัด google/chirp-3	ค่าเริ่มต้น—
ฟิลด์`input_audio`	ประเภท`object`	ข้อกำหนดจำเป็น	ค่าและข้อจำกัด	ค่าเริ่มต้น—

พารามิเตอร์และวงจรการทำงานของเมธอด

พารามิเตอร์	ข้อกำหนด
พารามิเตอร์`content_type`	ข้อกำหนดapplication/json
พารามิเตอร์`required`	ข้อกำหนดmodel, input_audio
พารามิเตอร์`material_types`	ข้อกำหนดaudio
พารามิเตอร์`material_conditions`	ข้อกำหนดตัวอย่างนี้อ่านไฟล์ PCM WAV จริงของคุณที่ไม่ว่าง เข้ารหัสไบต์ทั้งหมดของไฟล์เป็น base64 และส่ง input_audio.format เป็น wav

วงจรการทำงาน: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · task_id ที่ตรงตามบันทึกสื่อเดิมซึ่งเป็นของคุณ

GET /v1/media/assets/{asset_id}/content

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

ราคา

ข้อมูลอัตราราคาไม่ได้เพิ่มตัวเลือกคำขอ พารามิเตอร์ที่รองรับระบุไว้สำหรับเมธอดที่เลือก

โหมดรวดเร็ว: ไม่ได้ระบุ เมื่อเลือกโหมดรวดเร็ว
โหมดยืดหยุ่น: ไม่ได้ระบุ เมื่อเลือกโหมด flex
ระดับการใช้เหตุผลสูงสุด: ไม่ได้ระบุ เมื่อใช้การปรับตามค่าเริ่มต้น (default) สำหรับระดับการใช้เหตุผลสูงสุด

อัตราค่าบริการ Ailoot

ราคาตามการตั้งค่า

เทียบค่าบริการแต่ละรายการกับเงื่อนไขที่แสดง เลือกใช้อัตราเดียวสำหรับแต่ละชุดการตั้งค่าที่เป็นตัวเลือกทดแทนกัน

การตั้งค่า	ตารางอัตราค่าบริการ	หน่วยคิดค่าบริการ	ค่าบริการ
การตั้งค่าอัตราค่าบริการโทเคนพื้นฐาน	ตารางอัตราค่าบริการอัตราพื้นฐาน	หน่วยคิดค่าบริการ—	ค่าบริการ ขาเข้า · โทเค็นอินพุต — / 1K โทเค็น ขาออก · โทเค็นเอาต์พุต — / 1K โทเค็น ขาเข้า · การอ่านแคช — / 1K โทเค็น ขาเข้า · การเขียนแคช — / 1K โทเค็น ขาเข้า · การเขียนแคช, 1 ชั่วโมง — / 1K โทเค็น
การตั้งค่าวินาทีเสียงขาเข้า	ตารางอัตราค่าบริการ—	หน่วยคิดค่าบริการต่อวินาทีของเสียงอินพุต	ค่าบริการ ขาเข้า · วินาทีเสียงขาเข้า $0.000533333333334 ต่อวินาทีของเสียงอินพุต

Ailoot กันยอดเงินประมาณการไว้ก่อนส่งคำขอ หลังได้ผลลัพธ์ จะคิดค่าบริการสุดท้ายตามการใช้งานที่วัดได้ การคิดค่าบริการแบบสตรีมใช้บันทึกการใช้งานสุดท้าย วิธีกันยอดเงินและคิดค่าบริการสุดท้าย →

ตัวอย่างคำขอ

Ailoot Ultra · การถอดเสียง

curl · ไฟล์ WAV จริงและผลลัพธ์ต้นฉบับที่ครบถ้วน

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_AUDIO_FILE:?Set the path to your actual PCM WAV recording}"
export AILOOT_AUDIO_FILE
python3 - <<'PY_REQUEST'
import base64, io, json, os, wave
from pathlib import Path
audio = Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()
if not (audio[:4] == b'RIFF' and audio[8:12] == b'WAVE'):
    raise SystemExit('Supply your actual PCM WAV audio file')
with wave.open(io.BytesIO(audio), 'rb') as recording:
    if recording.getcomptype() != 'NONE' or recording.getnframes() <= 0:
        raise SystemExit('Supply a nonempty PCM WAV recording')
request = {'model': 'google/chirp-3', 'input_audio': {'data': base64.b64encode(audio).decode('ascii'), 'format': 'wav'}}
Path('request.json').write_text(json.dumps(request, ensure_ascii=False), encoding='utf-8')
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \
  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
  --data-binary @request.json -D response-headers.txt -o response.bin
# Retain the complete original response, headers and actual X-Client-Request-ID.
# Read existing owned records for recovery; do not resubmit an uncertain operation.

รับและบันทึกผลลัพธ์

Ailoot Ultra · การถอดเสียง

เนื้อหาการตอบกลับเดิมทั้งหมด สถานะ และส่วนหัวที่ส่งต่อ ตัวจัดการนี้ไม่เพิ่มโครงสร้าง JSON ฟิลด์ข้อความ หรือโครงสร้างห่อหุ้มงานแบบสากล

GET /v1/media/tasks/{task_id}
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}

เก็บผลลัพธ์ที่เสร็จสมบูรณ์ทั้งหมด

เก็บทุกการตอบกลับ ไฟล์ และส่วนเนื้อหาที่ส่งกลับมาอย่างครบถ้วน

เก็บการตอบกลับและส่วนหัวให้ครบถ้วน เก็บผลลัพธ์จริงทุกรายการ ตัวระบุที่ส่งกลับมาแต่เดิม และฟิลด์ข้อมูลการใช้งานทั้งหมด กู้คืนการดำเนินการเดิมโดยไม่ส่งคำขอสร้างซ้ำ

เมื่อต้องตรวจสอบการตอบกลับต้นฉบับ

เก็บ X-Client-Request-ID จริงและการตอบกลับทั้งหมด อ่านแอสเซ็ตเดิมที่เป็นของคุณและ URL เนื้อหาที่ลงลายเซ็นตรงตามที่ส่งกลับ ห้ามส่งคำขอสร้างที่ยังไม่แน่ชัดซ้ำ

ฟิลด์การตอบกลับ

ฟิลด์	ประเภท
ฟิลด์`text (when present)`	ประเภท
ฟิลด์`usage (when present)`	ประเภท

ข้อผิดพลาดและขั้นตอนถัดไป

การตอบกลับ	เงื่อนไข	ขั้นตอนถัดไป
การตอบกลับ400 · `invalid_request_error`	เงื่อนไขเนื้อหา JSON หรือ ID โมเดลมาตรฐานที่ระบุชัดเจนไม่ถูกต้อง	ขั้นตอนถัดไปเก็บการตอบกลับและแก้ไขฟิลด์คำขอที่ระบุ
การตอบกลับ401 · `authentication_error`	เงื่อนไขคีย์ API ของ Ailoot ไม่ถูกต้อง	ขั้นตอนถัดไปใช้คีย์ API ของ Ailoot ที่คุณได้รับอนุญาต
การตอบกลับ403 · `permission_error`	เงื่อนไขกลุ่มคีย์ไม่อนุญาตให้ใช้เมธอดนี้	ขั้นตอนถัดไปเก็บรายละเอียดข้อผิดพลาดที่ส่งกลับไว้
การตอบกลับ404 · `not_found_error`	เงื่อนไขเมธอดที่เลือกไม่มีเส้นทางที่ได้รับอนุญาต	ขั้นตอนถัดไปเก็บรายละเอียดข้อผิดพลาดที่ส่งกลับไว้
การตอบกลับ422 · `price_unavailable`	เงื่อนไขอัตราค่าบริการที่ยอมรับไม่สามารถระบุปริมาณข้อมูลขาเข้าหรือขอบเขตที่จำเป็นได้	ขั้นตอนถัดไปเก็บการตอบกลับไว้ ใช้รูปแบบข้อมูลขาเข้าที่อัตราค่าบริการที่ยอมรับกำหนดไว้
การตอบกลับ503 ·	เงื่อนไขที่เก็บข้อมูล เส้นทาง ราคาเมธอด หรือการกันวงเงินที่จำเป็นไม่พร้อมใช้งาน	ขั้นตอนถัดไปเก็บการตอบกลับเดิมทั้งหมด การกันวงเงินที่ไม่แน่นอนไม่อนุญาตให้ส่งซ้ำ
การตอบกลับ502 · `server_error`	เงื่อนไขต้องตรวจสอบผลลัพธ์ การใช้งาน หรือการชำระบัญชีเดิม	ขั้นตอนถัดไปเก็บ ID คำขอจริงและการตอบกลับเดิม อ่านบันทึกเดิมที่เป็นของคุณ อย่าส่งคำขอสร้างซ้ำ

ชื่ออื่น

ชื่ออื่นของโมเดล

Ailoot Ultra google/chirp-3

ชื่อพาธเมธอดอื่น

ใช้พาธเมธอดที่แสดงด้านบน

ID ที่เกี่ยวข้องสำหรับเรียกใช้โมเดล

google/chirp-3

FAQ · Google: Chirp 3

มีอินพุตและผลลัพธ์ใดบ้าง?: POST /v1/audio/transcriptions · google/chirp-3: audio → text
คำขอใช้ฟิลด์ใดบ้าง?: POST /v1/audio/transcriptions · google/chirp-3: model, input_audio

Google: Chirp 3

Google: Chirp 3

เริ่มต้น

ใช้งานได้ใน Ailoot · อินพุตและเมธอด

ราคา

อัตราค่าบริการ Ailoot

ราคาตามการตั้งค่า

ตัวอย่างคำขอ

Ailoot Ultra · การถอดเสียง

รับและบันทึกผลลัพธ์

Ailoot Ultra · การถอดเสียง

เก็บผลลัพธ์ที่เสร็จสมบูรณ์ทั้งหมด

เมื่อต้องตรวจสอบการตอบกลับต้นฉบับ

ชื่ออื่น

ชื่ออื่นของโมเดล

ชื่อพาธเมธอดอื่น

ID ที่เกี่ยวข้องสำหรับเรียกใช้โมเดล

บริษัทและพอร์ตโฟลิโอโครงการของบริษัท

ซื้อโทเคนพร้อมส่วนลด

เชื่อม API กับผลิตภัณฑ์ ที่คุณขาย