モデルの位置付け
Chirp 3: Transcription は、Google が多言語自動音声認識(ASR)向けに提供する生成モデルで、音声をテキストに文字起こしします。Google Cloud Speech-to-Text API V2 を通じて提供され、モデル識別子は chirp_3 です。(docs.cloud.google.com)
機能と用途
- ストリーミング認識、同期認識、バッチ認識をサポートし、リアルタイムの文字起こし、短い音声の認識、長い音声の処理に利用できます。
- 自動言語検出、自動句読点付与、話者分離、および単語やフレーズのヒントによる音声適応をサポートします。言語と機能の利用可否は認識方法とリージョンによって異なります。簡体字中国語
cmn-Hans-CNの文字起こしに対応しています。 - 会議や複数人の録音の文字起こし、動画の字幕、コンテンツのインデックス作成に利用できます。(docs.cloud.google.com)
制限
- 同期認識は 1 分未満の音声に適しています。バッチ認識は通常、1 分から 1 時間の音声に適していますが、単語レベルのタイムスタンプを有効にした場合の上限は 20 分です。
- 公式ドキュメントの話者分離に関する説明には不一致があります。機能表では
BatchRecognizeにのみ適用されると記載されていますが、言語サポートのセクションにはRecognizeも記載されています。使用前に、具体的な方法、言語、リージョンについて確認する必要があります。 - 公式ドキュメントの単語レベルのタイムスタンプのサポートに関する記述にも不一致があります。一方ではサポートされていない機能として列挙されていますが、もう一方では同期認識とバッチ認識で有効にできるものの、文字起こしの品質が低下する可能性があると説明されています。API が返す単語レベルの信頼度の値は、実際の信頼度スコアではありません。(docs.cloud.google.com)
リリース日
- 2025 年 4 月 11 日:プライベート プレビューとして初めてリリースされ、当時はバッチ認識に対応していました。
- 2025 年 8 月 29 日:公開プレビューに移行しました。
- 2025 年 10 月 13 日:一般提供(GA)となりました。(docs.cloud.google.com)
価格
確認日:2026 年 11 月 18 日。Google Cloud の製品ページでは、Chirp 3 に言及している Speech-to-Text V2 の項目に 0.016 米ドル(USD)/分と記載されています。サービスは正常に処理された入力音声の長さに基づいて課金され、各リクエストは秒単位で切り上げられ、複数チャンネルはそれぞれ個別に課金されます。公式ページには、出力テキストに対する個別の課金価格は記載されていません。料金詳細ページには段階別料金と動的バッチ処理の料金が記載されていますが、chirp_3 識別子は明記されていないため、これらの具体的な料金区分が本モデルに適用されるかどうかは確認されていません。ストレージなどの他のクラウドサービスには別途料金がかかる場合があります。(cloud.google.com)