Google: Chirp 3

Суть

Chirp 3 — модель Google для автоматического распознавания речи. Она принимает аудио и формирует текстовую расшифровку. Модель предназначена для многоязычных задач и доступна через сервис Google Cloud Speech-to-Text. В зависимости от способа распознавания можно обрабатывать как потоковое аудио, так и готовые записи.

Сильные стороны

Модель умеет автоматически определять язык речи или работать с указанными языковыми вариантами. Расшифровка может включать автоматически расставленные знаки препинания и заглавные буквы. Для поддерживаемых языков доступна диаризация: система помечает, кто из участников говорит в аудиозаписи. При потоковой обработке можно получать временные отметки для высказываний. Подсказки со словами и фразами помогают учесть специальные термины и имена собственные.

Типовые сценарии

Chirp 3 подходит для подготовки текстов из аудиозаписей, обработки голосовых обращений и создания расшифровок встреч, интервью или медиаматериалов. Потоковый режим применим в задачах, где текст нужен по мере поступления аудио; пакетная обработка — для уже сохранённых файлов. Автоматическое определение языка удобно, когда язык записи заранее неизвестен или нужно определить преобладающую речь.

Ограничения

Набор поддерживаемых языков и функций зависит от выбранного языка и режима обработки; отдельные языковые варианты доступны в предварительном режиме. Диаризация работает не для всех языков и сценариев обработки. Модель не предоставляет достоверные оценки уверенности для отдельных слов. Результат распознавания может потребовать проверки, особенно при плохом качестве звука, нескольких одновременно говорящих людях, редких именах и узкоспециализированной лексике. Специальные инструкции по форматированию расшифровки доступны в предварительном режиме.