Chirp 3 es la última generación de modelos generativos multilingües específicos de reconocimiento automático del habla (RAA) de Google, diseñados para satisfacer las necesidades de los usuarios en función de sus comentarios y experiencia. Chirp 3 ofrece una mayor precisión y velocidad que los modelos de Chirp anteriores, así como la diarización y la detección automática de idiomas.
Detalles del modelo
Chirp 3: transcripción, solo está disponible en la API Speech-to-Text V2.
Identificadores de modelo
Puedes usar Chirp 3: Transcripción como cualquier otro modelo. Para ello, especifica el identificador de modelo adecuado en tu solicitud de reconocimiento al usar la API o el nombre del modelo en la Google Cloud consola. Especifica el identificador adecuado en tu reconocimiento.
| Modelo | Identificador de modelo |
| Chirp 3 | chirp_3 |
Métodos de la API
No todos los métodos de reconocimiento admiten los mismos conjuntos de disponibilidad de idiomas. Como Chirp 3 está disponible en la API Speech-to-Text V2, admite los siguientes métodos de reconocimiento:
| API | Compatibilidad con métodos de la API | Asistencia |
| v2 | Speech.StreamingRecognize (ideal para audio en streaming y en tiempo real) | Compatible |
| v2 | Speech.Recognize (adecuado para audio de menos de un minuto) | Compatible |
| v2 | Voz.BatchRecognize (adecuado para audio largo, de 1 minuto a 1 hora) | Compatible |
Disponibilidad regional
Chirp 3 está disponible en las siguientes Google Cloud regiones y tenemos previsto ampliar la lista:
| Google Cloud Zona | Preparación para el lanzamiento |
us
|
Vista previa pública |
Si usas la API Locations, tal como se explica en este artículo, puedes consultar la lista más reciente de Google Cloud regiones, idiomas, configuraciones regionales y funciones admitidos para cada modelo de transcripción.
Idiomas disponibles para la transcripción
Chirp 3 admite la transcripción en StreamingRecognize, Recognize y BatchRecognize en los siguientes idiomas:
| Idioma | BCP-47 Code |
| Árabe (Emiratos Árabes Unidos) | ar-AE |
| Árabe (Baréin) | ar-BH |
| Árabe (Argelia) | ar-DZ |
| Árabe (Egipto) | ar-EG |
| Árabe (Israel) | ar-IL |
| Kurdo central (Irak) | ar-IQ |
| Árabe (Jordania) | ar-JO |
| Árabe (Kuwait) | ar-KW |
| Árabe (Líbano) | ar-LB |
| Árabe (Marruecos) | ar-MA |
| Árabe (Mauritania) | ar-MR |
| Árabe (Omán) | ar-OM |
| Árabe (Estado de Palestina) | ar-PS |
| Árabe (Qatar) | ar-QA |
| Árabe (Arabia Saudita) | ar-SA |
| Árabe (Siria) | ar-SY |
| Árabe (Túnez) | ar-TN |
| Árabe | ar-XA |
| Árabe (Yemen) | ar-YE |
| Búlgaro (Bulgaria) | bg-BG |
| Bengalí (Bangladés) | bn-BD |
| Bengalí (India) | bn-IN |
| Catalán (España) | ca-ES |
| Chino (simplificado, China) | cmn-Hans-CN |
| Chino cantonés (tradicional, Hong Kong) | yue-Hant-HK |
| Chino mandarín (tradicional, Taiwán) | cmn-Hant-TW |
| Checo (República Checa) | cs-CZ |
| Danés (Dinamarca) | da-DK |
| Alemán (Alemania) | de-DE |
| Griego (Grecia) | el-GR |
| Inglés (Australia) | en-AU |
| Inglés (Reino Unido) | en-GB |
| Inglés (India) | en-IN |
| English (Philippines) | en-PH |
| Inglés (EE. UU.) | en-US |
| Español (México) | es-MX |
| Español (España) | es-ES |
| Español (Estados Unidos) | es-US |
| Estonio (Estonia) | et-EE |
| Persa (Irán) | fa-IR |
| Francés (Francia) | fr-FR |
| Finés (Finlandia) | fi-FI |
| Filipino (Filipinas) | fil-PH |
| Francés (Canadá) | fr-CA |
| Guyaratí (India) | gu-IN |
| Hindi (India) | hi-IN |
| Croata (Croacia) | hr-HR |
| Húngaro (Hungría) | hu-HU |
| Armenio (Armenia) | hy-AM |
| Indonesio (Indonesia) | id-ID |
| Italiano (Italia) | it-IT |
| Hebreo (Israel) | iw-IL |
| Japonés (Japón) | ja-JP |
| Jemer (Camboya) | km-KH |
| Canarés (India) | kn-IN |
| Coreano (Corea) | ko-KR |
| Lao (Laos) | lo-LA |
| Lituano (Lituania) | lt-LT |
| Letón (Letonia) | lv-LV |
| Malayalam (India) | ml-IN |
| Maratí (India) | mr-IN |
| Malayo (Malasia) | ms-MY |
| Birmano (Myanmar) | my-MM |
| Nepalí (Nepal) | ne-NP |
| Neerlandés (Países Bajos) | nl-NL |
| Noruego (Noruega) | no-NO |
| Polaco (Polonia) | pl-PL |
| Portugués (Brasil) | pt-BR |
| Portugués (Portugal) | pt-PT |
| Rumano (Rumanía) | ro-RO |
| Ruso (Rusia) | ru-RU |
| Eslovaco (Eslovaquia) | sk-SK |
| Esloveno (Eslovenia) | sl-SI |
| Serbio (Serbia) | sr-RS |
| Sueco (Suecia) | sv-SE |
| Swahili | sw |
| Tamil (India) | ta-IN |
| Telugu (India) | te-IN |
| Tailandés (Tailandia) | th-TH |
| Turco (Turquía) | tr-TR |
| Ucraniano (Ucrania) | uk-UA |
| Uzbeco (Uzbekistán) | uz-UZ |
| Vietnamita (Vietnam) | vi-VN |
Idiomas disponibles para la diarización
Chirp 3 solo admite la transcripción y la diarización en BatchRecognize y Recognize en los siguientes idiomas:
| Idioma | Código BCP-47 |
| Chino (simplificado, China) | cmn-Hans-CN |
| Alemán (Alemania) | de-DE |
| Inglés (Reino Unido) | en-GB |
| Inglés (India) | en-IN |
| Inglés (EE. UU.) | en-US |
| Español (España) | es-ES |
| Español (Estados Unidos) | es-US |
| Francés (Canadá) | fr-CA |
| Francés (Francia) | fr-FR |
| Hindi (India) | hi-IN |
| Italiano (Italia) | it-IT |
| Japonés (Japón) | ja-JP |
| Coreano (Corea) | ko-KR |
| Portugués (Brasil) | pt-BR |
Asistencia y limitaciones de funciones
Chirp 3 admite las siguientes funciones:
| Función | Descripción | Fase de lanzamiento |
| Puntuación automática | Se genera automáticamente por el modelo y se puede inhabilitar de forma opcional. | Vista previa |
| Uso automático de mayúsculas | Se genera automáticamente por el modelo y se puede inhabilitar de forma opcional. | Vista previa |
| Diarización de interlocutores | Identificar automáticamente a los diferentes interlocutores en una muestra de audio de un solo canal. | Vista previa |
| Transcripción de audio independiente del idioma. | El modelo infiere automáticamente el idioma hablado en tu archivo de audio y lo transcribe al idioma más predominante. | Vista previa |
Chirp 3 no admite las siguientes funciones:
| Función | Descripción |
| Tiempos de las palabras (marcas de tiempo) | Se genera automáticamente por el modelo y se puede inhabilitar de forma opcional. |
| Puntuaciones de confianza a nivel de palabra | La API devuelve un valor, pero no es una puntuación de confianza. |
| Adaptación de voz (sesgo) | Proporciona sugerencias al modelo en forma de frases o palabras para mejorar la precisión del reconocimiento de términos o nombres propios específicos. |
Usar Chirp 3
Usar Chirp 3 para tareas de transcripción y diarización.
Transcribir con una solicitud por lotes de Chirp 3 con diarización
Descubre cómo usar Chirp 3 para tus necesidades de transcripción
Realizar el reconocimiento de voz por lotes
import os
from google.cloud.speech_v2 import SpeechClient
from google.cloud.speech_v2.types import cloud_speech
from google.api_core.client_options import ClientOptions
PROJECT_ID = os.getenv("GOOGLE_CLOUD_PROJECT")
def transcribe_batch_chirp3(
audio_uri: str,
) -> cloud_speech.BatchRecognizeResults:
"""Transcribes an audio file from a Google Cloud Storage URI using the Chirp 3 model of Google Cloud Speech-to-Text V2 API.
Args:
audio_uri (str): The Google Cloud Storage URI of the input
audio file. E.g., gs://[BUCKET]/[FILE]
Returns:
cloud_speech.RecognizeResponse: The response from the
Speech-to-Text API containing the transcription results.
"""
# Instantiates a client
client = SpeechClient(
client_options=ClientOptions(
api_endpoint="us-west1-speech.googleapis.com",
)
)
speaker_diarization_config = cloud_speech.SpeakerDiarizationConfig(
min_speaker_count=1, # minimum number of speakers
max_speaker_count=6, # maximum expected number of speakers
)
config = cloud_speech.RecognitionConfig(
auto_decoding_config=cloud_speech.AutoDetectDecodingConfig(),
language_codes=["en-US"], # Use "auto" to detect language
model="chirp_3",
features=cloud_speech.RecognitionFeatures(
diarization_config=speaker_diarization_config,
),
)
file_metadata = cloud_speech.BatchRecognizeFileMetadata(uri=audio_uri)
request = cloud_speech.BatchRecognizeRequest(
recognizer=f"projects/{PROJECT_ID}/locations/us-west1/recognizers/_",
config=config,
files=[file_metadata],
recognition_output_config=cloud_speech.RecognitionOutputConfig(
inline_response_config=cloud_speech.InlineOutputConfig(),
),
)
# Transcribes the audio into text
operation = client.batch_recognize(request=request)
print("Waiting for operation to complete...")
response = operation.result(timeout=120)
for result in response.results[audio_uri].transcript.results:
print(f"Transcript: {result.alternatives[0].transcript}")
print(f"Detected Language: {result.language_code}")
print(f"Speakers per word: {result.alternatives[0].words}")
return response.results[audio_uri].transcript