Positionnement du modèle
Chirp 3: Transcription est un modèle génératif de Google destiné à la reconnaissance automatique multilingue de la parole (ASR), qui transcrit l’audio en texte. Il est proposé via l’API Google Cloud Speech-to-Text V2, sous l’identifiant de modèle chirp_3. (docs.cloud.google.com)
Capacités et usages
- Prend en charge la reconnaissance en streaming, synchrone et par lots, et peut être utilisé pour la transcription en temps réel, la reconnaissance de courts extraits audio et le traitement d’audios longs.
- Prend en charge la détection automatique de la langue, la ponctuation automatique, la différenciation des locuteurs et l’adaptation vocale à l’aide d’indices sous forme de mots ou d’expressions ; la disponibilité des langues et des fonctionnalités dépend de la méthode de reconnaissance et de la région. La transcription du chinois simplifié
cmn-Hans-CNest prise en charge. - Peut être utilisé pour transcrire des réunions ou des enregistrements à plusieurs locuteurs, sous-titrer des vidéos et indexer des contenus. (docs.cloud.google.com)
Limites
- La reconnaissance synchrone convient aux audios de moins de 1 minute ; la reconnaissance par lots convient généralement aux audios de 1 minute à 1 heure, avec une limite de 20 minutes lorsque les horodatages au niveau des mots sont activés.
- Les explications de la documentation officielle sur la différenciation des locuteurs sont incohérentes : le tableau des fonctionnalités indique qu’elle s’applique uniquement à
BatchRecognize, tandis que la section sur les langues prises en charge mentionne égalementRecognize. Avant utilisation, il convient de vérifier la méthode, la langue et la région concernées. - Les descriptions de la prise en charge des horodatages au niveau des mots dans la documentation officielle sont également incohérentes : un passage les classe parmi les fonctionnalités non prises en charge, tandis qu’un autre indique qu’ils peuvent être activés pour la reconnaissance synchrone et par lots, mais qu’ils peuvent réduire la qualité de la transcription. Les valeurs de confiance au niveau des mots renvoyées par l’API ne sont pas de véritables scores de confiance. (docs.cloud.google.com)
Date de publication
- 11 avril 2025 : première publication en aperçu privé, avec prise en charge de la reconnaissance par lots à cette date.
- 29 août 2025 : passage en aperçu public.
- 13 octobre 2025 : disponibilité générale (GA). (docs.cloud.google.com)
Prix
Date de consultation : 18 novembre 2026. La page produit Google Cloud indique 0,016 dollar américain (USD)/minute dans l’entrée Speech-to-Text V2 qui mentionne Chirp 3 ; le service est facturé selon la durée de l’audio en entrée traité avec succès, chaque requête étant arrondie à la seconde supérieure et les canaux multiples étant facturés séparément. La page officielle n’indique pas de tarif distinct pour le texte en sortie. La page détaillée des tarifs présente des prix par paliers et pour le traitement dynamique par lots, mais ne mentionne pas explicitement l’identifiant chirp_3 ; il n’a donc pas été vérifié si ces paliers précis s’appliquent à ce modèle. D’autres services cloud, notamment le stockage, peuvent être facturés séparément. (cloud.google.com)