Cloud Speech-to-Text服务大改版，提供命令与搜索、电话、视频与默认4种模式，其中强化后的电话模式听写电话的错误率降低了54%，而与YouTube加上字幕技术雷同的视频模式转录错误率也降低了64%。
继上个月发布云计算文本转语音（Cloud Text-to-Speech）服务之后，Google在周一（4/9）更新了云计算语音转文本（Cloud Speech-to-Text）服务，提供全新的视频及电话转录模型，也添加了自动化标点符号功能。相较于原本的电话模型，新的强化版电话转录模型（enhanced phone_call model）让语音识别的错误率减少了54%。
Google于2016年发布的Cloud Speech-to-Text原名为Cloud Speech API，可识别包括中文在内的超过120种语言，本周则是该服务创建以来最大规模的改版，它提供了4种定制化模式，包括命令与搜索（command_and_search）、电话（phone_call）、视频（video）与默认（default），其中，电话模型适用于基于8khz采样率记录的电话内容，而默认模型则多用在音质较好、时间较长、采样率高于16khz以上的音频，用户可依照不同的使用场景选择适用的模型，以顺利将语音转换成文本。 (来源：Google)
Google Cloud AI产品经理Dan Aharon表示，有许多云计算供应商利用客户的请求来改善相关服务，但基于数据及隐私保护的立场，Google并不打算采用这样的作法，取而代之的是推出业界首创的“选择加入计划”（ opt-in program），让客户主动提供数据供Google纪录与分析，而首个成品就是强化版电话转录模式，该计划成功地让Cloud Speech-to-Text的电话转录服务减少了54%的错误。
至于新的视频模式则可用来将视频中的语音转换成文本，或是转录同时有多人开讲的语音，该模式所使用的机器学习技术与YouTube自动化字幕背后的技术雷同，相较于原本的默认模式，视频模式的转录错误率也降低了64%。
不管是强化版的语音模式或视频模式现在都只支持英文，预计很快就会扩张至其它语言。
除了全新的语音及视频模式之外，新版的Cloud Speech-to-Text还准备在将语音转成文本之后，自动加入标点符号，以让文本更容易阅读，目前该模式仍属于测试阶段，可提供逗点、句号或问号等标点符号的建议。
除了视频模式每15秒的收费为0.012美元之外，其它模式的费用皆为每15秒0.006美元，为了推广全新的视频模式，截至今年5月31日可享用每15秒0.006美元的优惠价。