Google: Chirp 3

Google Chirp 3 là mô hình tự động nhận dạng giọng nói đa ngôn ngữ, chuyển âm thanh lời nói thành văn bản. Google ghi nhận đây là mô hình chép lời Chirp 3 trong dòng Speech-to-Text V2, với mã mô hình chirp_3. Mục đích của mô hình là nhận dạng lời nói đã ghi hoặc được truyền trực tiếp, với phát hiện ngôn ngữ và các tính năng riêng cho chép lời. Sản phẩm kết quả là bản chép lời cùng siêu dữ liệu được phương thức nhận dạng đã chọn hỗ trợ, thay vì giọng nói được tạo hoặc câu trả lời trợ lý mở.

Nhà sản xuất phân biệt nhận dạng luồng trực tiếp, nhận dạng đồng bộ cho đoạn ngắn và nhận dạng hàng loạt cho bản ghi dài hơn. Chọn chế độ theo âm thanh nguồn và kết quả yêu cầu. Với ghi chú thoại ngắn, phản hồi văn bản hoàn chỉnh có thể đủ. Với phỏng vấn hoặc cuộc gọi đã ghi, kết quả hàng loạt có thông tin người nói có thể hữu ích hơn. Với phụ đề trực tiếp hoặc giao diện lệnh nói, giữ văn bản trung gian riêng với kết quả nhận dạng cuối cùng và bảo toàn khoảng âm thanh mà nó mô tả.

Chuẩn bị âm thanh theo mã hóa mà cách triển khai nhận dạng yêu cầu. Ví dụ Chirp 3 của Google dùng giải mã tự động phát hiện cho tệp đã ghi và giải mã chỉ định rõ cho cấu hình luồng thô. Tài liệu tham chiếu bộ giải mã V2 liên quan liệt kê WAV PCM hoặc âm thanh nén giãn biên độ, FLAC, MP3, Ogg/WebM Opus và AAC trong vùng chứa MP4, M4A hoặc MOV trong các mã hóa được hỗ trợ. Tên vùng chứa không thay thế codec và cấu hình lấy mẫu thực tế. Giữ lời nói rõ ràng, tránh xén đỉnh nghiêm trọng hoặc chuyển đổi không cần thiết làm mất chi tiết có thể nghe.

Chirp 3 có thể tự động xác định và chép lại ngôn ngữ chiếm ưu thế, và tập các locale dự kiến có thể thu hẹp lựa chọn nhận dạng. Khả năng ngôn ngữ khác nhau theo phương thức và tính năng. Danh sách ngôn ngữ chép lời rộng hơn danh sách phân tách người nói, nên việc nhận dạng một ngôn ngữ không xác nhận rằng mọi tính năng người nói hoặc thời gian đều áp dụng cho ngôn ngữ đó. Dùng locale khớp bản ghi và giữ các tên có chuyển đổi ngôn ngữ hoặc thuật ngữ chuyên ngành để kiểm tra. Nhãn ngôn ngữ được phát hiện là một phần kết quả, không phải bằng chứng rằng mọi từ bất thường đã được nhận dạng đúng.

Phân tách người nói nhóm lời nói theo giọng trong bản ghi một kênh. Google cung cấp ví dụ chép lời hàng loạt với thông tin người nói theo từng từ. Với phỏng vấn, giữ các nhãn đó cùng văn bản nhận dạng và đối chiếu thay đổi người nói với bản ghi trước khi gắn tên thật hoặc vai trò. Giọng tương tự, ngắt lời và nói chồng nhau có thể khiến việc quy người nói khó khăn. Giữ rõ cách bố trí kênh của nguồn và tác vụ kiểm tra người nói dự kiến, thay vì xem nhãn là danh tính đã được xác minh độc lập.

Thông tin thời gian cũng riêng theo phương thức. Nhận dạng luồng cung cấp dấu thời gian ở cấp phát ngôn, trong khi hướng dẫn nhận dạng tệp của nhà sản xuất mô tả thời gian từng từ tùy chọn với sự đánh đổi có thể có về chất lượng chép lời. Giữ siêu dữ liệu thực tế được phương thức đã chọn trả về và kiểm tra căn chỉnh cùng câu chữ. Quy trình làm phụ đề cần cả hai: văn bản nhận dạng dễ đọc và bằng chứng rằng mốc thời gian tương ứng với âm thanh đúng. Google cũng cảnh báo giá trị độ tin cậy ở cấp từ được trả về không phải điểm tin cậy thực sự, nên không dùng nó để chứng nhận một từ là đúng.

Thích ứng giọng nói cung cấp cụm từ và danh từ riêng có khả năng xuất hiện trong bản ghi. Nhà sản xuất ghi nhận từ điển tối đa 1,000 cụm từ và khuyến nghị dùng ít mục liên quan nhất có thể để tránh làm giảm nhận dạng các từ khác. Với bài thuyết trình kỹ thuật, chuẩn bị danh sách ngắn tên sản phẩm và chữ viết tắt thực tế, rồi kiểm tra chúng trong bản chép lời. Tăng thiên hướng giúp bộ nhận dạng cân nhắc một thuật ngữ; nó không xác lập rằng thuật ngữ đã được nói hoặc thay thế kiểm tra âm thanh.

Mô hình cung cấp tự động thêm dấu câu và viết hoa, những tính năng có thể tắt trong giao diện được tài liệu hóa. Google cũng mô tả tính năng preview cho chỉ dẫn định dạng chép lời tùy chỉnh, chẳng hạn cách viết tên hoặc ngày cụ thể. Giữ chỉ dẫn tập trung vào định dạng lời nói được nhận dạng. Bản chép lời chuẩn hóa ngày hoặc viết hoa thương hiệu vẫn cần bảo toàn ý nghĩa được nói. Tóm tắt, dịch thuật hoặc phân tích dữ kiện là bước sử dụng bản chép lời sau đó, thay vì điều được xác lập bởi chính kết quả nhận dạng.

Bộ khử nhiễu tích hợp nhằm giảm nhạc nền và âm thanh môi trường như mưa hoặc tiếng đường phố. Google nêu rõ rằng nó không thể loại bỏ giọng người ở nền. Giữ sự phân biệt đó khi chuẩn bị bản ghi có hội thoại chồng lấn. Đối chiếu các phần ồn và yên với nguồn thay vì giả định bản chép lời trông sạch hơn chứng minh âm thanh gây nhiễu đã được loại bỏ. Kết quả hữu ích giữ các đoạn chưa chắc chắn dễ nhận biết để sửa.

Với tác vụ luồng trực tiếp, độ nhạy xác định điểm kết thúc thay đổi thời điểm một phát ngôn được xem là hoàn tất. Nhà sản xuất mô tả các thiết lập standard, short và supershort cho lời nói dự kiến ngày càng ngắn. Thiết lập nhanh hơn có thể cắt lời người nói tạm dừng giữa ý. Khớp thiết lập với đọc chính tả tự nhiên, câu ngắn hoặc lệnh rất ngắn, và giữ trạng thái kết quả cuối cùng cùng bản chép lời. Với tệp hoàn chỉnh, kiểm tra tên, số lượng, phủ định và ranh giới người nói, sau đó giữ chế độ đã chọn cùng âm thanh nguồn để có thể kiểm tra hoặc tái sử dụng kết quả.