Google通过针对云语音到文本的新培训模型来改善转录

Google LLC拒绝放弃人工智能方面的工作。在今天的最新更新中，这家网络巨头宣布对其流行的云语音应用程序编程接口进行了一些重大更改。

谷歌表示，它正在将Cloud Speech API重命名为“ Cloud Speech-to-Text ”，以帮助将其标识为实际服务，而不是开发人员可以使用的工具。该服务本身还获得了许多新的增强功能，这些功能应有助于提高其作为企业和其他用户的转录辅助工具的可靠性。

更智能的模型

公告是由Google Cloud AI产品经理Dan Aharon在博客中发布的，他说很多重点是提高Cloud Speech-to-Text的电话和视频通话转录功能。为此，Aharon和他的团队引入了专门针对这些媒介的新模型。用户现在可以为每种情况选择最合适的模型，而以前的API会自动执行此操作。

增强的“电话呼叫模型”在构建时特别考虑了隐私，这意味着在创建过程中使用的数千小时的培训数据集是Google企业客户自愿提供的。Google认为，新模式可确保在转录电话对话时的错误比以前的基本phone_call模式减少54%。

还有一种针对视频通话情况的新模型，该模型基于YouTube使用的机器学习技术为其视频提供字幕。在这种情况下，Google声称与以前的模型相比，错误减少了64%。

Aharon说，增强的phone_call和高价视频模型现在都可以用于美国英语转录，并且很快将用于其他语言。“我们还将继续提供现有的语音command_and_search模型以及长格式转录的默认模型。”

Google在此处免费提供了Cloud Speech-to-Text的新模型的演示。

轻松阅读

除了改进的模型之外，Cloud Speech-to-Text现在可以首次处理标点，尽管仅在beta中。正如Aharon在其帖子中所承认的那样，“很难对转录的语音进行适当的标点插入”，但是该公司认为，通过创建一个称为长期短期记忆神经网络的东西(通过添加逗号，句号和问号)来解决该问题，在句子上。

最终，Google希望其用户通过为转录的音频和视频提供识别元数据来帮助改善Cloud Speech-to-Text。这个想法是，用户将能够根据他们所包含的内容类型来标记音频和视频记录。标签的示例可能是“购物应用程序的语音命令”或“篮球体育电视节目”。然后，这些数据将跨用户汇总，以告知Google未来更新的重点。

谷歌表示，目前所有型号的云语音转文本价格为每15秒十分之一美分，而视频型号的价格为每15秒1.2美分，是后者的两倍。