Η ποιότητα των απαντήσεων AI ξεκινά πριν από το γλωσσικό μοντέλο. Ξεκινά με τη μεταγραφή ομιλίας. Εάν το σύστημα ακούσει λάθος την ερώτηση, ακόμη και ένα ισχυρό μοντέλο θα απαντήσει σε παραμορφωμένο κείμενο.
Στο Sobes, μπορείτε να επιλέξετε ανάμεσα σε διάφορα μοντέλα αναγνώρισης ομιλίας: Groq Whisper Large v3 Turbo, OpenAI gpt-4o-mini-transcribe, Deepgram Nova-3 και Soniox STT v5. Διαφέρουν όχι μόνο ως προς την ακρίβεια, αλλά και ως προς την καθυστέρηση, τη συμπεριφορά εγγραφής, τη γλωσσική υποστήριξη και τον τρόπο με τον οποίο χειρίζονται θορυβώδεις συναντήσεις.
Τι αλλάζει το STT σε πραγματικό χρόνο;
Στη διεπαφή Sobes, η σημαντική ρύθμιση είναι απλή: Το STT σε πραγματικό χρόνο είναι απενεργοποιημένο ή Ενεργοποιημένο STT σε πραγματικό χρόνο.
Το STT σε πραγματικό χρόνο είναι απενεργοποιημένο
Ο Sobes στέλνει ένα ολοκληρωμένο ηχητικό τμήμα για αναγνώριση και περιμένει το τελικό κείμενο. Έτσι λειτουργούν τα Groq Whisper Large v3 Turbo, OpenAI gpt-4o-mini-transcribe, καθώς και τα Deepgram Nova-3 και Soniox STT v5 όταν το Realtime STT είναι απενεργοποιημένο.
Αυτή είναι μια απλή, σταθερή ροή για σύντομες φράσεις: το κείμενο φτάνει ως ολοκληρωμένη μεταγραφή, χωρίς ενδιάμεσες διορθώσεις. Το αντάλλαγμα είναι ότι ο Sobes λαμβάνει κείμενο μόνο μετά την αποστολή του ηχητικού τμήματος. Οι μεγάλες φράσεις κάνουν την καθυστέρηση πιο αισθητή και δεν υπάρχει ζωντανή ροή λέξεων ενώ το άτομο μιλάει.
Ενεργοποιημένο STT σε πραγματικό χρόνο
Ο Sobes μεταδίδει ήχο στο μοντέλο και λαμβάνει μερικό κείμενο πριν τελειώσει η φράση. Έτσι λειτουργούν τα Deepgram Nova-3 και Soniox STT v5 όταν είναι ενεργοποιημένο το Realtime STT.
Στη μεταγραφή ροής, το κείμενο μπορεί να είναι αρχικά πρόχειρο: το μοντέλο μπορεί να αναθεωρήσει λέξεις ενώ το άτομο συνεχίζει να μιλάει. Η Οριστικοποίηση είναι η στιγμή που η φράση έχει τελειώσει, το μοντέλο σταματά να αλλάζει αυτό το τμήμα κειμένου και ο Sobes μπορεί να το προωθήσει με ασφάλεια.
Το σημείο του Realtime STT είναι η ταχύτητα αντίδρασης. Μπορείτε να δείτε ότι το σύστημα ακούει ομιλία αυτή τη στιγμή, οι μεγάλες απαντήσεις γίνονται ευανάγνωστες πριν τελειώσει η φράση και η αυτόματη απόκριση μπορεί να ξεκινήσει νωρίτερα. Το συμβιβασμό είναι ότι το μερικό κείμενο μπορεί να αλλάξει, η ποιότητα εξαρτάται περισσότερο από τη σταθερότητα της σύνδεσης και μερικές φορές χρειάζεται να περιμένετε έως ότου το μοντέλο κλειδώσει το τελικό κείμενο για τη φράση.
Ποιες λειτουργίες εγγραφής υποστηρίζουν Realtime STT;
Σημαντική λεπτομέρεια: Το STT σε πραγματικό χρόνο λειτουργεί σε λειτουργίες VAD και Start / Stop. Στο VAD, το Sobes ανιχνεύει αυτόματα την ομιλία, ξεκινά την εγγραφή και κλείνει το τμήμα μετά από μια παύση. Στο Start / Stop, ελέγχετε την αρχή και το τέλος χειροκίνητα, αλλά η μεταγραφή ροής μπορεί ακόμα να εκτελεστεί ενώ η εγγραφή είναι ενεργή.
Στο One-Shot, το STT σε πραγματικό χρόνο δεν χρησιμοποιείται: Ο Sobes παίρνει τα τελευταία δευτερόλεπτα από το buffer ήχου και στέλνει ένα ολοκληρωμένο τμήμα για μεταγραφή.
Επομένως, εάν επιλέξετε Deepgram ή Soniox αλλά χρησιμοποιείτε One-Shot, χρησιμοποιήστε τους αριθμούς καθυστέρησης "Απενεργοποίηση STT σε πραγματικό χρόνο" ως αναφορά.
Καθυστέρηση μεταγραφής
Αυτή είναι η καθυστέρηση αναγνώρισης ομιλίας: πόσο καιρό περιμένει ο Sobes για κείμενο μετά από ένα ολοκληρωμένο τμήμα ήχου ή αφού ένα μοντέλο ροής κλειδώσει το τελικό κείμενο για μια φράση. Δεν περιλαμβάνει την ώρα ενώ το άτομο μιλάει και δεν περιλαμβάνει τη δημιουργία απαντήσεων AI.
| Μοντέλο | Το STT σε πραγματικό χρόνο είναι απενεργοποιημένο | Ενεργοποιημένο STT σε πραγματικό χρόνο | Τι σημαίνει |
|---|---|---|---|
| Groq Whisper Μεγάλο v3 Turbo | 500-600 ms | Μη διαθέσιμο | Η πιο γρήγορη επιλογή χωρίς ροή. Καλό για σύντομες ερωτήσεις. |
OpenAI gpt-4o-mini-transcribe |
600-900 ms | Μη διαθέσιμο | Ελαφρώς πιο αργός από τον Groq, αλλά συνήθως πιο προσεκτικός με δύσκολη ομιλία. |
| Ντίπγκραμ Νόβα-3 | περίπου 900 ms | περίπου 300 ms | Με ενεργοποιημένο το STT σε πραγματικό χρόνο, το τελικό κείμενο εμφανίζεται πολύ πιο γρήγορα. |
| Soniox STT v5 | περίπου 2500 ms | περίπου 200 ms | Πιο αργό χωρίς STT σε πραγματικό χρόνο, αλλά πιο γρήγορο στο κλείδωμα του τελικού κειμένου όταν είναι ενεργοποιημένο το STT σε πραγματικό χρόνο. |
Το STT σε πραγματικό χρόνο δεν είναι απλώς ένα πλαίσιο ελέγχου. Για το Deepgram και το Soniox, αλλάζει το πόσο γρήγορα αισθάνεται το προϊόν: το κείμενο αρχίζει να εμφανίζεται σχεδόν αμέσως και η τελική μεταγραφή φτάνει πιο γρήγορα από ό,τι όταν ο Sobes στέλνει ένα ολοκληρωμένο τμήμα ήχου μετά τη φράση.
WER: τι είναι και πώς μοιάζουν οι αριθμοί
WER σημαίνει Ποσοστό σφαλμάτων λέξεων: το μερίδιο των εσφαλμένα αναγνωρισμένων λέξεων. Όσο χαμηλότερο είναι το WER, τόσο το καλύτερο. Για παράδειγμα, WER 6% σημαίνει ότι περίπου 6 στις 100 λέξεις αναγνωρίστηκαν εσφαλμένα: αντικαταστάθηκαν, παραλείφθηκαν ή προστέθηκαν κατά λάθος.
Σημαντικό: Το WER είναι δύσκολο να συγκριθεί χωρίς πλαίσιο. Το ίδιο μοντέλο μπορεί να δείξει 4% σε καθαρό αγγλικό ήχο και 15% σε θορυβώδη κλήση με τόνους, διακοπές και κακό μικρόφωνο. Έτσι, οι παρακάτω αριθμοί είναι δημόσια σημεία αναφοράς, όχι εγγύηση για κάθε συνέντευξη. Η πηγή έχει σημασία επειδή οι πάροχοι χρησιμοποιούν διαφορετικά σύνολα δεδομένων και μεθόδους αξιολόγησης.
Groq Whisper Μεγάλο v3 Turbo. Η Groq αναφέρει γενική WER περίπου 12%, αλλά δεν δημοσιεύει ξεχωριστή ανάλυση Αγγλικών/Ρωσικών. Ως αναφορά Whisper σε οικογενειακό επίπεδο, το σημείο αναφοράς FLEURS δείχνει 4,00% για τα αγγλικά και 5,13% για τα ρωσικά.
OpenAI gpt-4o-mini-μεταγραφή.
Το σημείο αναφοράς FLEURS στο άρθρο Voxtral Realtime αναφέρει 3,65% για τα αγγλικά και 5,30% για τα ρωσικά. Το OpenAI λέει επίσης ότι gpt-4o-transcribe και gpt-4o-mini-transcribe βελτιώσουν το WER σε σύγκριση με το Whisper v2/v3, αλλά τα έγγραφά του δεν δημοσιεύουν μια απλή ανάλυση για αυτές τις δύο γλώσσες.
Deepgram Nova-3. Για τα Αγγλικά, το Deepgram αναφέρει 5,26% για τον τελικό ήχο και 6,84% για τη ροή. Για τα ρωσικά, η δημόσια σύγκριση Soniox αναφέρει 8,0%. Η δύναμη του Deepgram είναι οι αγγλικές παραλλαγές και προφορές: Αμερικανικά, Βρετανικά, Αυστραλιανά, Ινδικά και Αγγλικά Νέας Ζηλανδίας.
Soniox STT v5. Η Soniox αναφέρει περίπου 6,5% για τα αγγλικά και περίπου 6,2% για τα ρωσικά σε ένα σημείο αναφοράς 60 γλωσσών. Δεν υπάρχει ξεχωριστή ανάλυση Αγγλικών/Ρωσικών για το Realtime STT, αλλά η Soniox λέει ότι η λειτουργία ροής v4 βελτιώνει την ακρίβεια.
Το κύριο συμπέρασμα: για τα ρωσικά, το Soniox και το Deepgram φαίνονται ισχυρότερα από παλαιότερες προσεγγίσεις τύπου Whisper σε σημεία αναφοράς πραγματικού κόσμου, ενώ gpt-4o-mini-transcribe φαίνεται καλό στο FLEURS. Αλλά το FLEURS, το YouTube, οι κλήσεις και οι ζωντανές συνεντεύξεις είναι διαφορετικά περιβάλλοντα. Η επιλογή μοντέλου θα πρέπει να λαμβάνει υπόψη τόσο το WER όσο και την καθυστέρηση.
Μοντέλα ένα προς ένα
Groq Whisper Μεγάλο v3 Turbo
Το Groq Whisper Large v3 Turbo είναι η ταχύτερη επιλογή Sobes όταν το Realtime STT είναι απενεργοποιημένο. Ταιριάζει σε σύντομες απαντήσεις, γρήγορες συνεντεύξεις και καταστάσεις όπου η ελάχιστη καθυστέρηση έχει μεγαλύτερη σημασία από τη μέγιστη ακρίβεια σε δύσκολη ομιλία.
Η κύρια δύναμή του είναι η ταχύτητα. Ο οδηγός ASR της Groq αναφέρει ένα γενικό WER περίπου 12% για το Whisper Large v3 Turbo και επιτάχυνση έως και 247x σε σχέση με τη διάρκεια του ήχου. Αυτό το καθιστά μια καλή επιλογή για σύντομες παρατηρήσεις όπου η καθυστέρηση έχει μεγαλύτερη σημασία.
Εάν η ομιλία περιέχει πολλά ρωσικά, ονόματα, συντομογραφίες, αγγλικές τεχνικές λέξεις μέσα στη ρωσική ομιλία, θόρυβο ή έντονη προφορά, το Groq μπορεί να κάνει περισσότερα λάθη. Σε αυτήν την περίπτωση, το OpenAI ή το Soniox είναι συνήθως η καλύτερη εναλλακτική, επειδή η διατήρηση της ακριβούς διατύπωσης έχει μεγαλύτερη σημασία από την ακατέργαστη ταχύτητα.
OpenAI gpt-4o-mini-μεταγραφή
Το OpenAI gpt-4o-mini-transcribe μεταγράφει ένα ολοκληρωμένο τμήμα ήχου. Είναι πιο αργό από το Groq Whisper Large v3 Turbo, αλλά συνήθως χειρίζεται πιο προσεκτικά τις αποχρώσεις της ομιλίας, τους τεχνικούς όρους και τις λεπτομέρειες των ερωτήσεων.
Το OpenAI λέει ότι gpt-4o-transcribe και gpt-4o-mini-transcribe βελτιώσουν το WER και την αναγνώριση γλώσσας σε σύγκριση με το Whisper. Στο ανεξάρτητο σημείο αναφοράς FLEURS, το gpt-4o-mini-transcribe αναφέρεται στο 3.65% WER για τα αγγλικά και στο 5.30% για τα ρωσικά.
Το OpenAI gpt-4o-mini-transcribe είναι μια καλή επιλογή υψηλότερης ποιότητας με το Realtime STT απενεργοποιημένο όταν το Groq Whisper Large v3 Turbo κάνει πάρα πολλά λάθη στην ομιλία ή το μικρόφωνό σας.
Ντίπγκραμ Νόβα-3
Το Deepgram είναι ισχυρό σε σενάρια STT σε πραγματικό χρόνο. Το Nova-3 λειτουργεί τόσο με ολοκληρωμένο ήχο όσο και με ροή και τα έγγραφα του Deepgram αναφέρουν WER 6.84% για μεταγραφή ροής και 5.26% για ολοκληρωμένες εγγραφές σε ένα σύνολο 2,703 αρχείων ήχου πραγματικού κόσμου.
Στο Sobes, το Deepgram είναι χρήσιμο όταν θέλετε να δείτε κείμενο σχεδόν αμέσως αντί να περιμένετε μέχρι να τελειώσει η φράση. Με απενεργοποιημένο το STT σε πραγματικό χρόνο, η μέση καθυστέρηση μεταγραφής είναι περίπου 900 ms. με ενεργοποιημένο το Realtime STT, είναι περίπου 300 ms. Αυτό κάνει το Deepgram βολικό για μεγάλες φράσεις, ζωντανούς υπότιτλους, μικτή ομιλία και αγγλικές συνεντεύξεις, ειδικά όταν ο συνεντευκτής έχει τοπική προφορά.
Ένα ξεχωριστό πλεονέκτημα του Deepgram είναι η υποστήριξη για αγγλικές παραλλαγές. Μπορείτε να επιλέξετε όχι μόνο γενικά αγγλικά, αλλά και αμερικανικά, βρετανικά, αυστραλιανά, ινδικά ή Νέα Ζηλανδία αγγλικά. Αυτό βοηθά σε διεθνείς συνεντεύξεις όπου ο συνεντευκτής έχει μια άγνωστη προφορά και οι τεχνικοί όροι αναμειγνύονται με γρήγορα αγγλικά συνομιλίας.
Για τα ρωσικά, το Deepgram φαίνεται επίσης αξιοπρεπές: η σύγκριση Soniox αναφέρει 8.0% WER για τα ρωσικά.
Soniox STT v5, το STT σε πραγματικό χρόνο είναι απενεργοποιημένο
Το Soniox STT v5 λειτουργεί καλά για ρωσικά, ομιλία μικτής γλώσσας και δύσκολους τεχνικούς όρους, αλλά με απενεργοποιημένο το Realtime STT είναι η πιο αργή επιλογή: η μέση καθυστέρηση μεταγραφής είναι περίπου 2500 ms. Είναι λογικό όταν η ακρίβεια στα ρωσικά και τη μικτή ομιλία έχει μεγαλύτερη σημασία από την ταχύτητα απόκρισης.
Η δύναμη του Soniox είναι η πολύγλωσση αναγνώριση και η εναλλαγή γλώσσας. Καλύπτει επίσης μια μεγάλη δεξαμενή λιγότερο κοινών γλωσσών όπου τα μοντέλα γενικής χρήσης συχνά υποβαθμίζονται περισσότερο από ό,τι στα αγγλικά. Αυτό έχει σημασία και για τις ρωσόφωνες συνεντεύξεις, όπου μια φράση μπορεί να περιέχει καταλήξεις λέξεων React, PostgreSQL, Kafka, thread pool, event loop και ρωσικών λέξεων γύρω από αγγλικούς τεχνικούς όρους.
Soniox STT v5, ενεργοποιημένο σε πραγματικό χρόνο STT
Το Soniox STT v5 με ενεργοποιημένο το Realtime STT είναι η καλύτερη επιλογή όταν χρειάζεστε ρωσική ομιλία και ελάχιστο λανθάνοντα χρόνο ταυτόχρονα. Κατά μέσο όρο, η τελική μεταγραφή φτάνει περίπου 200 ms μετά τη φράση. Αυτή η επιλογή ταιριάζει ιδιαίτερα στο VAD και στο Start / Stop: το κείμενο μεταδίδεται ζωντανά, χειρίζεται καλά τις ρωσο-αγγλικές φράσεις και κλειδώνει γρήγορα το τελικό κείμενο μετά από μια παύση.
Σύντομη έκδοση: τι πρέπει να επιλέξετε;
Αν δεν θέλετε να το πολυσκεφτείτε:
- Το STT σε πραγματικό χρόνο λειτουργεί σε VAD και Start / Stop. Στο One-Shot, χρησιμοποιήστε τις επιλογές με απενεργοποιημένο το STT σε πραγματικό χρόνο.
- Το Groq Whisper Large v3 Turbo είναι η πιο γρήγορη επιλογή με απενεργοποιημένο το STT σε πραγματικό χρόνο για σύντομες φράσεις και τυπικές συνεντεύξεις.
- Το OpenAI gpt-4o-mini-transcribe είναι μια καλή επιλογή απενεργοποίησης STT σε πραγματικό χρόνο όταν θέλετε πιο προσεκτική μεταγραφή μέσω του OpenAI.
- Το Deepgram Nova-3, Realtime STT απενεργοποιημένο δίνει σταθερή ποιότητα, αλλά με μέση καθυστέρηση περίπου 900 ms.
- Το Deepgram Nova-3, ενεργοποιημένο το STT σε πραγματικό χρόνο είναι μια λειτουργία γρήγορης ροής, περίπου 300 ms μέχρι το τελικό κείμενο μετά από μια φράση.
- Το Soniox STT v5, με απενεργοποιημένο το STT σε πραγματικό χρόνο είναι ισχυρό για ομιλία στα ρωσικά και σε μικτή γλώσσα, αλλά έχει την υψηλότερη καθυστέρηση: περίπου 2500 ms.
- Το Soniox STT v5, ενεργοποιημένο το STT σε πραγματικό χρόνο είναι η ταχύτερη επιλογή ροής για εναλλαγή ρωσικών και γλώσσας: περίπου 200 ms.