Google: Chirp 3

Google: Chirp 3 は Google の音声テキスト変換モデルで、api14 の transcription カテゴリに掲載されています。Google の Chirp シリーズにおける最新の多言語モデルであり、そのプロバイダーの説明では、以前のバージョンよりも文字起こし精度が向上したものとして位置づけられています。録音またはストリーミングされた音声を書き起こされたテキストに変換する作業が含まれるなら、まず検討すべきなのはこのモデルファミリーです。

このモデルは音声のみを入力として受け取り、文字起こしのみを出力として返します。プロバイダーの説明によると、24 の一般提供言語と 77 を超えるプレビュー言語をカバーしており、いくつか追加機能を載せた英語優先のシステムではなく、真に多言語対応の選択肢となっています。また、自動言語検出に対応しているため、クリップを送信する前に言語を宣言する必要がなく、自動句読点にも対応しているため、返されるテキストは途切れない一続きのストリームではなく文の区切りを含んだ形で届きます。このモデルにはコンテキスト長が公開されておらず、最大出力はゼロと記載されています。これは、文字起こしの出力がチャット補完と同じ方法では測定されないという事実を反映しています。トークンウィンドウではなく、送信する音声を実際の制約として扱ってください。

実用的な用途は、これらの機能から直接導かれます。会議や通話の文字起こしは明らかな用途であり、特に参加者が言語を切り替える場合や、事前に言語を知ることができない場合に当てはまります。言語検出が自動であるため、クリップを手作業で振り分けるのではなく、単一のパイプラインを混在言語の音声に向けることができます。自動句読点により、要約ツール、検索インデックス、字幕トラック、人間の編集者向けレビューツールのいずれに投入する場合でも、生の出力はずっと下流で使いやすくなります。音声メモの取り込み、インタビューの文字起こし、多言語資料のアーカイブデジタル化は、いずれも妥当な適合先です。

このモデルは、モデル id "google/chirp-3" を使用して api14 の OpenAI 互換 API を通じて呼び出します。インターフェースは OpenAI の慣例に従っているため、既存のクライアントや SDK は一般に、書き直しではなくベース URL とモデル id の変更で動作します。このモデルには対応するリクエストパラメータが記載されていないため、モデル id とともに音声を送信し、追加フィールドで挙動を調整するのではなく、言語処理と句読点についてはモデル自身のデフォルトに頼ることを想定してください。大量の処理を確定する前に、このページの最新の価格表で現在の料金を確認してください。

検討すべき点のひとつは範囲です。Chirp 3 は文字起こしのみを行い、それ以外は行いません。テキスト入力を受け付けず、会話的な返答を生成せず、要約や翻訳を別個の出力として生成することもありません。タスクがチャット、推論、テキスト生成であるなら、汎用言語モデルが適切な選択であり、Chirp 3 はその前段にある音声からテキストへのステップにのみ使用することになります。