Google: Chirp 3

Google: Chirp 3 ist ein Speech-to-Text-Modell von Google, das auf api14 unter der Kategorie Transkription gelistet ist. Es ist das neueste mehrsprachige Modell in Googles Chirp-Reihe, und seine Anbieterbeschreibung positioniert es als Verbesserung der Transkriptionsgenauigkeit gegenüber früheren Versionen. Wenn Ihre Arbeit darin besteht, aufgezeichnete oder gestreamte Sprache in geschriebenen Text umzuwandeln, ist dies die Modellfamilie, die Sie zuerst betrachten sollten.

Das Modell nimmt Audio als einzige Eingabe und liefert eine Transkription als einzige Ausgabe. Laut Anbieterbeschreibung deckt es 24 allgemein verfügbare Sprachen und mehr als 77 Vorschau-Sprachen ab, was es zu einer echten mehrsprachigen Option macht und nicht zu einem englischzentrierten System mit ein paar nachträglich angehängten Extras. Es unterstützt außerdem automatische Spracherkennung, sodass Sie die Sprache eines Clips nicht angeben müssen, bevor Sie ihn senden, sowie automatische Interpunktion, sodass der zurückgegebene Text mit Satzgrenzen ankommt und nicht als ein ununterbrochener Strom. Für dieses Modell wird keine Kontextlänge veröffentlicht, und die maximale Ausgabe ist mit null angegeben, was der Tatsache Rechnung trägt, dass Transkriptionsausgaben nicht so gemessen werden wie Chat-Completions. Betrachten Sie das Audio, das Sie senden, als die eigentliche Einschränkung und nicht ein Token-Fenster.

Die praktischen Einsatzmöglichkeiten ergeben sich direkt aus diesen Fähigkeiten. Die Transkription von Besprechungen und Anrufen ist die offensichtliche, besonders wenn Teilnehmer die Sprache wechseln oder Sie die Sprache nicht im Voraus kennen können. Da die Spracherkennung automatisch erfolgt, können Sie eine einzige Pipeline auf mehrsprachiges Audio richten, anstatt Clips von Hand weiterzuleiten. Automatische Interpunktion macht die Rohausgabe weiterverarbeitbar deutlich nutzbarer, egal ob Sie sie in einen Summarizer, einen Suchindex, eine Untertitelspur oder ein Prüfwerkzeug für menschliche Redakteure einspeisen. Sprachnotizen erfassen, Interviews transkribieren und Archivdigitalisierung für mehrsprachiges Material sind alles sinnvolle Einsatzbereiche.

Sie rufen das Modell über die OpenAI-kompatible API von api14 mit der Modell-ID "google/chirp-3" auf. Da die Schnittstelle der OpenAI-Konvention folgt, funktionieren bestehende Clients und SDKs im Allgemeinen mit einer Änderung der Basis-URL und der Modell-ID, statt einer Neufassung. Das Modell listet keine unterstützten Anfrageparameter auf, planen Sie also damit, Audio mit der Modell-ID zu senden und sich auf die eigenen Standardwerte des Modells für Sprachbehandlung und Interpunktion zu verlassen, statt das Verhalten über zusätzliche Felder abzustimmen. Prüfen Sie die aktuelle Preistabelle auf dieser Seite auf die derzeitigen Tarife, bevor Sie sich auf ein Volumen festlegen.

Eine Sache, die abzuwägen ist, ist der Umfang. Chirp 3 macht Transkription und sonst nichts: Es akzeptiert keine Texteingabe, es erzeugt keine Gesprächsantworten, und es erzeugt keine Zusammenfassungen oder Übersetzungen als separate Ausgaben. Wenn Ihre Aufgabe Chat, Reasoning oder Textgenerierung ist, ist ein Allzweck-Sprachmodell die richtige Wahl, und Sie würden Chirp 3 nur für den Audio-zu-Text-Schritt davor verwenden.