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.
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. Wenn Sie dieses Modell verwenden, stoppt der Dienst die Transkription von Audio, nachdem die erste gesprochene Eingabe erkannt und abgeschlossen wurde. Mit diesem Modell wird die separate Erkennung pro Kanal nicht unterstützt. Audiodaten mit mehreren Kanälen werden vom Dienst akzeptiert, aber nur der erste Kanal wird verarbeitet und erkannt.
telephony Optimal für Audiodaten, die aus einem Telefonanruf stammen (normalerweise mit einer Abtastrate von 8 kHz aufgezeichnet).
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 dieses Modell, wenn sowohl der Dienstleister als auch der Patient spricht. Alle gesprochenen Wörter der einzelnen Sprecher werden automatisch erkannt und im erstellten Transkript mit Labels versehen.
chirp Einheitliches Sprachmodell Verwenden Sie dieses Modell für alle Anwendungsfälle, die kein Streaming erfordern.

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.