Google: Chirp 3

Google: Chirp 3 es un modelo de voz a texto de Google, listado en api14 dentro de la categoría de transcripción. Es el modelo multilingüe más reciente de la línea Chirp de Google, y su descripción del proveedor lo posiciona como una mejora en la precisión de transcripción respecto a versiones anteriores. Si tu trabajo implica convertir voz grabada o transmitida en texto escrito, esta es la familia de modelos que mirarías primero.

El modelo toma audio como su única entrada y devuelve una transcripción como su única salida. Según la descripción del proveedor, cubre 24 idiomas disponibles de forma general y más de 77 idiomas en vista previa, lo que lo convierte en una opción genuinamente multilingüe en lugar de un sistema centrado en inglés con algunos extras añadidos. También admite detección automática de idioma, así que no tienes que declarar el idioma de un clip antes de enviarlo, y puntuación automática, así que el texto devuelto llega con límites de oración en lugar de como un flujo continuo. No se publica ninguna longitud de contexto para este modelo, y la salida máxima se lista como cero, lo que refleja el hecho de que la salida de transcripción no se mide de la misma forma que las finalizaciones de chat. Trata el audio que envías como la restricción real en lugar de una ventana de tokens.

Los usos prácticos se derivan directamente de esas capacidades. La transcripción de reuniones y llamadas es la más obvia, especialmente cuando los participantes cambian de idioma o cuando no puedes conocer el idioma de antemano. Como la detección de idioma es automática, puedes apuntar un único flujo de trabajo a audio de idiomas mixtos en lugar de enrutar clips a mano. La puntuación automática hace que la salida sin procesar sea mucho más utilizable en etapas posteriores, ya sea que la estés alimentando a un resumidor, un índice de búsqueda, una pista de subtítulos o una herramienta de revisión para editores humanos. La captura de notas de voz, la transcripción de entrevistas y la digitalización de archivos para material multilingüe son todos encajes razonables.

Llamas al modelo a través de la API compatible con OpenAI de api14 usando el id de modelo "google/chirp-3". Como la interfaz sigue la convención de OpenAI, los clientes y SDK existentes generalmente funcionan con un cambio de URL base e id de modelo en lugar de una reescritura. El modelo no lista parámetros de solicitud admitidos, así que planea enviar audio con el id de modelo y confiar en los valores predeterminados propios del modelo para el manejo de idioma y la puntuación en lugar de ajustar el comportamiento mediante campos adicionales. Consulta la tabla de precios en vivo en esta página para conocer las tarifas actuales antes de comprometerte con un volumen.

Una cosa a sopesar es el alcance. Chirp 3 hace transcripción y nada más: no acepta entrada de texto, no genera respuestas conversacionales y no produce resúmenes ni traducciones como salidas separadas. Si tu tarea es chat, razonamiento o generación de texto, un modelo de lenguaje de propósito general es la elección correcta, y usarías Chirp 3 solo para el paso de audio a texto que va delante de él.