Google: Chirp 3

Google : Chirp 3 est un modèle de reconnaissance vocale de Google, référencé sur api14 dans la catégorie transcription. C'est le dernier modèle multilingue de la gamme Chirp de Google, et sa description fournisseur le présente comme une amélioration de la précision de transcription par rapport aux versions précédentes. Si votre travail consiste à convertir de la parole enregistrée ou diffusée en texte écrit, c'est la famille de modèles que vous examineriez en premier.

Le modèle prend l'audio comme seule entrée et renvoie une transcription comme seule sortie. Selon la description du fournisseur, il couvre 24 langues en disponibilité générale et plus de 77 langues en aperçu, ce qui en fait une option véritablement multilingue plutôt qu'un système centré sur l'anglais auquel on a ajouté quelques extras. Il prend également en charge la détection automatique de la langue, vous n'avez donc pas à déclarer la langue d'un clip avant de l'envoyer, ainsi que la ponctuation automatique, le texte renvoyé arrive donc avec des limites de phrases plutôt que comme un flux ininterrompu. Aucune longueur de contexte n'est publiée pour ce modèle, et la sortie maximale est indiquée comme zéro, ce qui reflète le fait que la sortie de transcription n'est pas mesurée de la même manière que les complétions de chat. Considérez l'audio que vous envoyez comme la véritable contrainte plutôt qu'une fenêtre de tokens.

Les usages pratiques découlent directement de ces capacités. La transcription de réunions et d'appels est l'évidence, surtout lorsque les participants changent de langue ou lorsque vous ne pouvez pas connaître la langue à l'avance. Comme la détection de la langue est automatique, vous pouvez pointer un seul pipeline vers de l'audio multilingue au lieu de router les clips à la main. La ponctuation automatique rend la sortie brute bien plus exploitable en aval, que vous l'alimentiez un outil de résumé, un index de recherche, une piste de sous-titres ou un outil de relecture pour des éditeurs humains. La capture de notes vocales, la transcription d'entretiens et la numérisation d'archives pour du contenu multilingue sont toutes des applications raisonnables.

Vous appelez le modèle via l'API compatible OpenAI d'api14 en utilisant l'identifiant de modèle "google/chirp-3". Comme l'interface suit la convention OpenAI, les clients et SDK existants fonctionnent généralement avec un changement d'URL de base et d'identifiant de modèle plutôt qu'une réécriture. Le modèle ne liste aucun paramètre de requête pris en charge, prévoyez donc d'envoyer l'audio avec l'identifiant de modèle et de vous fier aux valeurs par défaut du modèle pour la gestion de la langue et la ponctuation plutôt que de régler le comportement via des champs supplémentaires. Consultez le tableau des prix en direct sur cette page pour les tarifs actuels avant de vous engager sur un volume.

Un point à peser est la portée. Chirp 3 fait de la transcription et rien d'autre : il n'accepte pas d'entrée texte, il ne génère pas de réponses conversationnelles, et il ne produit pas de résumés ou de traductions comme sorties distinctes. Si votre tâche est le chat, le raisonnement ou la génération de texte, un modèle de langage généraliste est le bon choix, et vous n'utiliseriez Chirp 3 que pour l'étape audio vers texte en amont.