Google: Chirp 3

Google: Chirp 3 é um modelo de conversão de fala em texto da Google, listado em api14 na categoria de transcrição. É o modelo multilingue mais recente da linha Chirp da Google, e a descrição do fornecedor posiciona-o como uma melhoria na precisão de transcrição em relação a versões anteriores. Se o seu trabalho envolve transformar fala gravada ou transmitida em texto escrito, esta é a família de modelos que deve considerar primeiro.

O modelo recebe áudio como única entrada e devolve uma transcrição como única saída. De acordo com a descrição do fornecedor, cobre 24 idiomas geralmente disponíveis e mais de 77 idiomas em pré-visualização, o que o torna uma opção genuinamente multilingue e não um sistema centrado no inglês com alguns extras adicionados. Também suporta deteção automática de idioma, pelo que não tem de declarar o idioma de um clipe antes de o enviar, e pontuação automática, pelo que o texto devolvido chega com limites de frase em vez de um fluxo contínuo. Não é publicada qualquer extensão de contexto para este modelo, e a saída máxima está listada como zero, o que reflete o facto de a saída de transcrição não ser medida da forma como as conclusões de chat são. Trate o áudio que envia como a verdadeira restrição e não uma janela de tokens.

Os usos práticos decorrem diretamente dessas capacidades. A transcrição de reuniões e chamadas é a mais óbvia, especialmente quando os participantes mudam de idioma ou quando não é possível saber o idioma antecipadamente. Como a deteção de idioma é automática, pode apontar um único pipeline para áudio em vários idiomas em vez de encaminhar clipes manualmente. A pontuação automática torna a saída em bruto muito mais utilizável a jusante, quer a esteja a alimentar um sumarizador, um índice de pesquisa, uma faixa de legendas ou uma ferramenta de revisão para editores humanos. Captura de notas de voz, transcrição de entrevistas e digitalização de arquivos para material multilingue são todos enquadramentos razoáveis.

Chama o modelo através da API compatível com OpenAI do api14 usando o id de modelo "google/chirp-3". Como a interface segue a convenção OpenAI, os clientes e SDKs existentes geralmente funcionam com uma alteração do URL base e do id de modelo em vez de uma reescrita. O modelo não lista quaisquer parâmetros de pedido suportados, por isso conte com o envio de áudio com o id de modelo e com a dependência dos valores predefinidos do próprio modelo para o tratamento de idioma e pontuação, em vez de ajustar o comportamento através de campos extra. Consulte a tabela de preços em direto nesta página para obter as tarifas atuais antes de se comprometer com um volume.

Um aspeto a ponderar é o âmbito. O Chirp 3 faz transcrição e nada mais: não aceita entrada de texto, não gera respostas conversacionais e não produz resumos ou traduções como saídas separadas. Se a sua tarefa é chat, raciocínio ou geração de texto, um modelo de linguagem de uso geral é a escolha certa, e usaria o Chirp 3 apenas para o passo de áudio para texto que o antecede.