模型定位
Chirp 3: Transcription 是 Google 面向多语言自动语音识别(ASR)的生成式模型,将音频转写为文本。它通过 Google Cloud Speech-to-Text API V2 提供,模型标识符为 chirp_3。(docs.cloud.google.com)
能力与用途
- 支持流式识别、同步识别和批量识别,可用于实时转写、短音频识别及长音频处理。
- 支持自动语言检测、自动标点、讲话人区分和通过词语或短语提示进行语音自适应;语言及功能的可用性取决于识别方法和地区。简体中文
cmn-Hans-CN支持转写。 - 可用于会议或多人录音转写、视频字幕和内容索引。(docs.cloud.google.com)
限制
- 同步识别适合不足 1 分钟的音频;批量识别通常适合 1 分钟至 1 小时的音频,启用字词级时间戳时上限为 20 分钟。
- 官方文档的讲话人区分说明存在不一致:功能表写明仅适用于
BatchRecognize,语言支持章节则同时列出Recognize。使用前应针对具体方法、语言和地区核实。 - 官方文档对字词级时间戳的支持描述也不一致:一处将其列在不支持的功能下,另一处说明可在同步和批量识别中启用,但可能降低转写质量。API 返回的字词级置信度值不是真正的置信度分数。(docs.cloud.google.com)
发布日期
- 2025 年 4 月 11 日:首次以私人预览形式发布,当时支持批量识别。
- 2025 年 8 月 29 日:进入公开预览。
- 2025 年 10 月 13 日:正式发布(GA)。(docs.cloud.google.com)
价格
查询日期:2026 年 11 月 18 日。Google Cloud 产品页在提及 Chirp 3 的 Speech-to-Text V2 条目中列出 0.016 美元(USD)/分钟;服务按成功处理的输入音频时长计费,每次请求按秒向上取整,多声道分别计费。官方页面未列出单独的输出文本计费价格。定价详情页列有分档和动态批处理价格,但未明确写出 chirp_3 标识符,因此这些具体档位是否适用于本模型未核实。存储等其他云服务可能另行收费。(cloud.google.com)