Google: Chirp 3

Google: Chirp 3 är en tal-till-text-modell från Google, listad på api14 under kategorin transkription. Det är den senaste flerspråkiga modellen i Googles Chirp-serie, och leverantörens beskrivning positionerar den som en uppgradering av transkriptionsnoggrannheten jämfört med tidigare versioner. Om ditt arbete innebär att omvandla inspelat eller strömmat tal till skriven text är detta familjen av modeller du bör titta på först.

Modellen tar ljud som enda indata och returnerar en transkription som enda utdata. Enligt leverantörens beskrivning täcker den 24 allmänt tillgängliga språk och fler än 77 förhandsgranskningsspråk, vilket gör den till ett genuint flerspråkigt alternativ snarare än ett engelsk-först-system med några extrafunktioner påklistrade. Den stöder även automatisk språkidentifiering, så du behöver inte ange språket i ett klipp innan du skickar det, samt automatisk interpunktion, så den returnerade texten kommer med meningsgränser istället för som en enda obruten ström. Ingen kontextlängd publiceras för denna modell, och maximal utdata anges som noll, vilket återspeglar att transkriptionsutdata inte mäts på samma sätt som chattkompletteringar. Betrakta ljudet du skickar som den verkliga begränsningen snarare än ett token-fönster.

De praktiska användningsområdena följer direkt av dessa egenskaper. Transkription av möten och samtal är det uppenbara, särskilt när deltagare växlar språk eller när du inte kan veta språket i förväg. Eftersom språkidentifieringen är automatisk kan du rikta en enda pipeline mot flerspråkigt ljud istället för att dirigera klipp manuellt. Automatisk interpunktion gör råutdata mycket mer användbar nedströms, oavsett om du matar in den i en sammanfattare, ett sökindex, ett undertextspår eller ett granskningsverktyg för mänskliga redigerare. Röstanteckningar, intervjutranskription och digitalisering av arkiv för flerspråkigt material passar alla rimligtvis.

Du anropar modellen via api14:s OpenAI-kompatibla API med modell-id:t "google/chirp-3". Eftersom gränssnittet följer OpenAI-konventionen fungerar befintliga klienter och SDK:er i allmänhet med en ändring av bas-URL och modell-id istället för en omskrivning. Modellen listar inga stödda förfrågningsparametrar, så räkna med att skicka ljud med modell-id:t och förlita dig på modellens egna standardvärden för språkhantering och interpunktion istället för att finjustera beteendet via extra fält. Kontrollera den aktuella pristabellen på denna sida för gällande priser innan du binder dig till en volym.

En sak att väga in är omfattningen. Chirp 3 gör transkription och inget annat: den tar inte emot textinmatning, den genererar inte konversationssvar och den producerar inte sammanfattningar eller översättningar som separata utdata. Om din uppgift är chatt, resonemang eller textgenerering är en allmän språkmodell rätt val, och du skulle bara använda Chirp 3 för steget från ljud till text framför den.