几周前，Google刚刚对“云端文本转语音”API实施了大改版。现在，该公司又升级了自家的 Speech-to-Text 语音识别服务。改进后的 STT API 承诺显著提升了语音识别的性能，在内部所有测试中，单词错误率减少了 54% 左右。不过在某些领域，实际表现要好得多。基于用例，新版 API 现允许开发者在四种不同的机器学习模型间进行选择。

其中有面向短查询和语音命令的，以及一个理解通话语音和处理 视频 中音频的。第四个模型属于新增默认，谷歌推荐在所有其它场景中使用。

此外，谷歌还带来了一项新的标点符号模型。团队承认，其录音文本长期饱受标点符号不太正常的吐槽。用标点符号来表达自己的观点，算是出了名的困难。

谷歌承诺新模型可带来更多可读的转录文本，包括更少的断句、更多的逗号、句号、以及问号。

本次更新后，谷歌还允许开发者借助一些基本的元数据标记他们的转录音视频。尽管一时发挥不了直接的益处，但谷歌表示，它将使用来自所有用户的聚合信息，来决定下一步要优先考虑哪些新功能。

最后，谷歌还试图对这项服务的收费方式做出小小的改动。此前，音频转录的收费标准为 0.006 美元 / 每 15 秒；视频模型的收费翻倍（0.012 美元 / 每 15 秒）。

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