Transkriptionsmodell auswählen

Auf dieser Seite wird beschrieben, wie Sie ein bestimmtes Modell für maschinelles Lernen für Audiotranskriptionsanfragen an Speech-to-Text verwenden.

Transkriptionsmodelle

Speech-to-Text erkennt Wörter in einem Audioclip durch den Vergleich der Eingabe mit einem von vielen Modellen für maschinelles Lernen. Jedes Modell wurde durch die Analyse von Millionen Beispielen trainiert – in diesem Fall durch sehr viele Audioaufnahmen von sprechenden Personen.

Speech-to-Text verfügt über spezielle Modelle, die anhand von Audiodaten aus bestimmten Quellen trainiert wurden. Diese Modelle liefern bessere Ergebnisse, wenn sie auf ähnliche Audiodaten wie die Daten angewendet werden, mit denen sie trainiert wurden.

Zum Beispiel hat Speech-to-Text ein Transkriptionsmodell, das dafür trainiert wurde, von einem Telefon aufgenommene Sprache zu erkennen. Wenn Speech-to-Text das Modell telephony für die Transkription von Smartphone-Audiodaten verwendet, so werden genauere Transkriptionsergebnisse als beispielsweise mit den Modellen latest_long oder medical_dictation erzeugt.

Die folgende Tabelle zeigt die Transkriptionsmodelle, die für Speech-to-Text verwendet werden können.

Modellname Beschreibung
long Verwenden Sie dieses Modell für alle Arten von langen Inhalten wie Medien oder spontane Sprache und Unterhaltungen. Verwenden Sie dieses Modell anstelle von "Video" oder "Standard", insbesondere wenn sie nicht in Ihrer Zielsprache verfügbar sind.
short Verwenden Sie dieses Modell für kurze Äußerungen, die einige Sekunden lang sind. Diese Methode ist hilfreich, um Befehle oder andere Anwendungsfälle für die gezielte Sprachausgabe zu erfassen. Verwenden Sie dieses Modell anstelle des Befehls- und Suchmodells.
telephony Verwenden Sie dieses Modell für Audiodaten, die aus einem Audioanruf stammen, der normalerweise mit einer Abtastrate von 8 kHz aufgezeichnet wurde. Ideal für Kundenservice, Telekonferenzen und automatisierte Kioskanwendungen.
medical_dictation Verwenden Sie dieses Modell, um Notizen zu transkribieren, die von einer medizinischen Fachkraft geschrieben wurden, z. B. einem Arzt, der Notizen zu den Bluttestergebnissen eines Patienten schreibt.
medical_conversation Verwenden Sie dieses Modell für Unterhaltungen zwischen einem Gesundheitsdienstleister (z. B. einem Arzt oder Krankenpfleger) und einem Patienten. Verwenden Sie das Modell "medical_Conversation", wenn sowohl der Anbieter als auch der Patient spricht. Alle gesprochenen Wörter werden automatisch erkannt und mit Labels versehen.
chirp Nutzen Sie unser Universal Large Speech Model(USM) für hochmoderne Nicht-Streaming-Transkriptionen in verschiedenen linguistischen Inhalten und mehrsprachigen Funktionen.
chirp_telephony Universelles Large Speech Model(USM), das für Audiodaten optimiert ist, die aus einem Telefonanruf stammen (normalerweise mit einer Abtastrate von 8 kHz aufgezeichnet).
chirp_2 Verwenden Sie die nächste Generation unseres Universal Large Speech Model (USM) von Gemini für Nicht-Streaming-Transkriptionen und Übersetzungen in verschiedenen linguistischen Inhalten und mehrsprachigen Funktionen.

Ein Modell für die Audiotranskription wählen

Das Modell wird durch den für die Erkennungsanfrage verwendete Recognizer angegeben. Rufen Sie speech/projects.locations.recognizers/create auf, um einen Recognizer, d. h. ein Erkennungsmodul, zu erstellen und geben Sie das Modell im Feld model an. In der Tabelle Unterstützte Sprachen finden Sie die gültigen Modelle für jede Sprache.