← Alle Modelle

Chirp 3: Transcription

Veröffentlicht Herausgeber Googlechirp_3

Modellpositionierung

Chirp 3: Transcription ist ein generatives Modell von Google für die mehrsprachige automatische Spracherkennung (ASR), das Audio in Text transkribiert. Es wird über die Google Cloud Speech-to-Text API V2 bereitgestellt; die Modellkennung lautet chirp_3. (docs.cloud.google.com)

Fähigkeiten und Einsatzmöglichkeiten

  • Unterstützt Streaming-Erkennung, synchrone Erkennung und Stapelerkennung und kann für Echtzeittranskription, die Erkennung kurzer Audioaufnahmen und die Verarbeitung langer Audioaufnahmen verwendet werden.
  • Unterstützt automatische Spracherkennung, automatische Interpunktion, Sprecherunterscheidung und Sprachanpassung durch Wort- oder Phrasenhinweise; die Verfügbarkeit von Sprachen und Funktionen hängt von der Erkennungsmethode und der Region ab. Die Transkription von vereinfachtem Chinesisch cmn-Hans-CN wird unterstützt.
  • Kann zur Transkription von Besprechungen oder Aufnahmen mit mehreren Personen, für Videountertitel und zur Inhaltsindexierung verwendet werden. (docs.cloud.google.com)

Einschränkungen

  • Die synchrone Erkennung eignet sich für Audioaufnahmen von weniger als 1 Minute; die Stapelerkennung eignet sich normalerweise für Audioaufnahmen von 1 Minute bis 1 Stunde. Bei aktivierten Zeitstempeln auf Wortebene beträgt die Obergrenze 20 Minuten.
  • Die Angaben zur Sprecherunterscheidung in der offiziellen Dokumentation sind widersprüchlich: Die Funktionstabelle gibt an, dass sie nur für BatchRecognize verfügbar ist, während der Abschnitt zur Sprachunterstützung auch Recognize aufführt. Vor der Nutzung sollte die Verfügbarkeit für die jeweilige Methode, Sprache und Region überprüft werden.
  • Auch die Angaben zur Unterstützung von Zeitstempeln auf Wortebene in der offiziellen Dokumentation sind widersprüchlich: An einer Stelle werden sie unter den nicht unterstützten Funktionen aufgeführt, an anderer Stelle wird angegeben, dass sie bei synchroner Erkennung und Stapelerkennung aktiviert werden können, aber möglicherweise die Transkriptionsqualität verringern. Die von der API zurückgegebenen Konfidenzwerte auf Wortebene sind keine tatsächlichen Konfidenzwerte. (docs.cloud.google.com)

Veröffentlichungsdaten

  • 11. April 2025: Erstmals als private Vorschau veröffentlicht; zu diesem Zeitpunkt wurde Stapelerkennung unterstützt.
  • 29. August 2025: Übergang zur öffentlichen Vorschau.
  • 13. Oktober 2025: Allgemeine Verfügbarkeit (GA). (docs.cloud.google.com)

Preis

Abfragedatum: 18. November 2026. Die Google Cloud-Produktseite nennt im Speech-to-Text V2-Eintrag, der Chirp 3 erwähnt, 0,016 US-Dollar (USD)/Minute; der Dienst wird nach der Dauer des erfolgreich verarbeiteten Eingabeaudios abgerechnet, wobei jede Anfrage auf die nächste volle Sekunde aufgerundet wird und mehrere Audiokanäle separat abgerechnet werden. Auf der offiziellen Seite wird kein separater Preis für die Abrechnung des ausgegebenen Textes genannt. Die Seite mit den Preisdetails führt Preisstaffeln und Preise für die dynamische Stapelverarbeitung auf, nennt jedoch die Kennung chirp_3 nicht ausdrücklich. Daher ist nicht überprüft, ob diese konkreten Preisstaffeln für dieses Modell gelten. Für andere Cloud-Dienste wie Speicher können zusätzliche Gebühren anfallen. (cloud.google.com)

Offizielle Quellen