Google: Chirp 3

Google: Chirp 3 to model zamiany mowy na tekst od Google, wymieniony na api14 w kategorii transkrypcji. Jest to najnowszy wielojęzyczny model w linii Chirp firmy Google, a jego opis dostawcy pozycjonuje go jako ulepszenie dokładności transkrypcji w stosunku do wcześniejszych wersji. Jeśli Twoja praca polega na zamianie nagranej lub strumieniowanej mowy na tekst pisany, to właśnie ta rodzina modeli jest pierwszą, której się przyjrzysz.

Model przyjmuje audio jako jedyne wejście i zwraca transkrypcję jako jedyne wyjście. Zgodnie z opisem dostawcy obejmuje 24 języki ogólnie dostępne i ponad 77 języków w wersji zapoznawczej, co czyni go prawdziwie wielojęzyczną opcją, a nie systemem nastawionym najpierw na angielski z kilkoma dodatkami. Obsługuje również automatyczne wykrywanie języka, więc nie musisz deklarować języka klipu przed jego wysłaniem, oraz automatyczną interpunkcję, dzięki czemu zwrócony tekst przychodzi z granicami zdań, a nie jako jeden nieprzerwany strumień. Dla tego modelu nie opublikowano długości kontekstu, a maksymalne wyjście jest podane jako zero, co odzwierciedla fakt, że wyjście transkrypcji nie jest mierzone w taki sposób jak uzupełnienia czatu. Traktuj wysyłane audio jako rzeczywiste ograniczenie, a nie okno tokenów.

Praktyczne zastosowania wynikają bezpośrednio z tych możliwości. Transkrypcja spotkań i rozmów jest oczywista, zwłaszcza gdy uczestnicy zmieniają języki lub gdy nie możesz z góry znać języka. Ponieważ wykrywanie języka jest automatyczne, możesz skierować jeden potok na audio wielojęzyczne zamiast ręcznie rozdzielać klipy. Automatyczna interpunkcja sprawia, że surowe wyjście jest znacznie bardziej użyteczne dalej, niezależnie od tego, czy podajesz je do sumaryzatora, indeksu wyszukiwania, ścieżki napisów czy narzędzia do przeglądu dla ludzkich redaktorów. Zapisywanie notatek głosowych, transkrypcja wywiadów i digitalizacja archiwów materiałów wielojęzycznych to wszystko rozsądne zastosowania.

Model wywołujesz przez zgodne z OpenAI API api14, używając identyfikatora modelu "google/chirp-3". Ponieważ interfejs jest zgodny z konwencją OpenAI, istniejące klienty i SDK generalnie działają po zmianie bazowego URL i identyfikatora modelu, bez przepisywania. Model nie wymienia żadnych obsługiwanych parametrów żądania, więc planuj wysyłanie audio z identyfikatorem modelu i poleganie na własnych ustawieniach domyślnych modelu dotyczących obsługi języka i interpunkcji, zamiast dostrajania zachowania przez dodatkowe pola. Sprawdź aktualną tabelę cen na tej stronie, aby poznać bieżące stawki, zanim zdecydujesz się na określony wolumen.

Jedna rzecz do rozważenia to zakres. Chirp 3 wykonuje transkrypcję i nic więcej: nie przyjmuje tekstu wejściowego, nie generuje odpowiedzi konwersacyjnych i nie tworzy podsumowań ani tłumaczeń jako osobnych wyjść. Jeśli Twoim zadaniem jest czat, rozumowanie lub generowanie tekstu, właściwym wyborem jest model języka ogólnego przeznaczenia, a Chirp 3 użyłbyś tylko do kroku audio-na-tekst przed nim.