幾周前，Google 剛剛對“云端文本轉(zhuǎn)語音”API 實(shí)施了大改版。現(xiàn)在，該公司又升級了自家的 Speech-to-Text 語音識別服務(wù)。改進(jìn)后的 STT API 承諾顯著提升了語音識別的性能，在內(nèi)部所有測試中，單詞錯誤率減少了 54% 左右。不過在某些領(lǐng)域，實(shí)際表現(xiàn)要好得多。基于用例，新版 API 現(xiàn)允許開發(fā)者在四種不同的機(jī)器學(xué)習(xí)模型間進(jìn)行選擇。

其中有面向短查詢和語音命令的，以及一個理解通話語音和處理 視頻 中音頻的。第四個模型屬于新增默認(rèn)，谷歌推薦在所有其它場景中使用。

此外，谷歌還帶來了一項(xiàng)新的標(biāo)點(diǎn)符號模型。團(tuán)隊(duì)承認(rèn)，其錄音文本長期飽受標(biāo)點(diǎn)符號不太正常的吐槽。用標(biāo)點(diǎn)符號來表達(dá)自己的觀點(diǎn)，算是出了名的困難。

谷歌承諾新模型可帶來更多可讀的轉(zhuǎn)錄文本，包括更少的斷句、更多的逗號、句號、以及問號。

本次更新后，谷歌還允許開發(fā)者借助一些基本的元數(shù)據(jù)標(biāo)記他們的轉(zhuǎn)錄音視頻。盡管一時發(fā)揮不了直接的益處，但谷歌表示，它將使用來自所有用戶的聚合信息，來決定下一步要優(yōu)先考慮哪些新功能。

最后，谷歌還試圖對這項(xiàng)服務(wù)的收費(fèi)方式做出小小的改動。此前，音頻轉(zhuǎn)錄的收費(fèi)標(biāo)準(zhǔn)為 0.006 美元 / 每 15 秒；視頻模型的收費(fèi)翻倍（0.012 美元 / 每 15 秒）。

不過 5 月 31 號之后，使用新模型也需要支付 0.006 美元 / 每 15 秒。