როგორ ავირჩიოთ მეტყველების ტრანსკრიფციის მოდელი?

AI პასუხების ხარისხი იწყება ენის მოდელამდე. ის იწყება მეტყველების ტრანსკრიფციით.
თუ სისტემა არასწორად გაიგებს კითხვას, ძლიერი მოდელიც კი უპასუხებს დამახინჯებულ ტექსტს.

Sobes-ში შეგიძლიათ აირჩიოთ მეტყველების ამოცნობის რამდენიმე მოდელი: Groq Whisper Large v3 Turbo, OpenAI gpt-4o-mini-transcribe, Deepgram Nova-3, და Soniox STT v5. ისინი განსხვავდებიან არა მხოლოდ სიზუსტით, არამედ ლატენტურობით, ჩაწერის ქცევით, ენის მხარდაჭერით და ხმაურიანი შეხვედრების გატარებით.

რას აკეთებს Realtime STT შეცვლა?

Sobes ინტერფეისში მნიშვნელოვანი პარამეტრი მარტივია: Realtime STT ინვალიდი ან Realtime STT ჩართულია.

Realtime STT ინვალიდი

Sobes აგზავნის დასრულებულ აუდიო სეგმენტს ამოცნობისთვის და ელოდება საბოლოო ტექსტს.
აი როგორ Groq Whisper Large v3 Turbo, OpenAI gpt-4o-mini-transcribeდა ასევე Deepgram Nova-3 და Soniox STT v5 მუშაობა როდის Realtime STT გამორთულია.

ეს არის მარტივი, სტაბილური ნაკადი მოკლე ფრაზებისთვის: ტექსტი მოდის როგორც დასრულებული ტრანსკრიპტი, შუალედური შესწორებების გარეშე. სანაცვლოდ არის ის, რომ Sobes იღებს ტექსტს მხოლოდ აუდიო სეგმენტის გაგზავნის შემდეგ. გრძელი ფრაზები უფრო შესამჩნევს ხდის შეფერხებას და არ არის სიტყვების პირდაპირი ნაკადი, სანამ ადამიანი საუბრობს.

Realtime STT ჩართულია

Sobes გადასცემს აუდიოს მოდელს და იღებს ნაწილობრივ ტექსტს ფრაზის დასრულებამდე.
აი როგორ Deepgram Nova-3 და Soniox STT v5 მუშაობა როდის Realtime STT ჩართულია.

სტრიმინგის ტრანსკრიფციაში ტექსტი თავდაპირველად შეიძლება იყოს მონახაზი: მოდელმა შეიძლება გადახედოს სიტყვებს, სანამ ადამიანი აგრძელებს საუბარს. დასრულება არის მომენტი, როდესაც ფრაზა დასრულდა, მოდელი წყვეტს ამ ტექსტის სეგმენტის შეცვლას და სობსს შეუძლია უსაფრთხოდ გადასცეს იგი წინ.

წერტილი Realtime STT არის რეაქციის სიჩქარე. თქვენ ხედავთ, რომ სისტემა ახლა ისმენს მეტყველებას, გრძელი პასუხები იკითხება ფრაზის დასრულებამდე და ავტომატური პასუხი შეიძლება უფრო ადრე დაიწყოს. კომპეტენცია იმაში მდგომარეობს, რომ ნაწილობრივი ტექსტი შეიძლება შეიცვალოს, ხარისხი დამოკიდებულია უფრო მეტად კავშირის სტაბილურობაზე და ზოგჯერ თქვენ უნდა დაელოდოთ სანამ მოდელი დაბლოკავს ფრაზის საბოლოო ტექსტს.

ჩაწერის რომელ რეჟიმებს უჭერს მხარს Realtime STT?

მნიშვნელოვანი დეტალი: Realtime STT მუშაობს VAD-ში და Start / Stop რეჟიმები. VAD-ში Sobes ავტომატურად ამოიცნობს მეტყველებას, იწყებს ჩაწერას და ხურავს სეგმენტს პაუზის შემდეგ. In Start / Stop, თქვენ აკონტროლებთ დასაწყისს და დასასრულს ხელით, მაგრამ სტრიმინგის ტრანსკრიფცია მაინც შეიძლება იმუშაოს, სანამ ჩაწერა აქტიურია.

In One-Shot, Realtime STT არ გამოიყენება: Sobes იღებს ბოლო წამებს აუდიო ბუფერიდან და აგზავნის დასრულებულ სეგმენტს ტრანსკრიფციისთვის.

ასე რომ, თუ აირჩევთ Deepgram-ს ან Soniox-ს, მაგრამ გამოიყენეთ One-Shot, გამოიყენეთ "Realtime STT გამორთულია" ლატენტური ნომრები, როგორც მითითება.

ტრანსკრიფციის შეყოვნება

ეს არის მეტყველების ამოცნობის შეყოვნება: რამდენ ხანს ელოდება Sobes ტექსტს დასრულებული აუდიო სეგმენტის შემდეგ, ან მას შემდეგ, რაც სტრიმინგის მოდელი დაბლოკავს საბოლოო ტექსტს ფრაზისთვის. ის არ მოიცავს დროს, როდესაც ადამიანი საუბრობს და არ მოიცავს AI პასუხების გენერირებას.

Realtime STT არ არის მხოლოდ ჩამრთველი. Deepgram-ისა და Soniox-ისთვის ის ცვლის პროდუქტის სწრაფ შეგრძნებას: ტექსტი თითქმის მაშინვე იწყებს გამოჩენას და საბოლოო ტრანსკრიპტი უფრო სწრაფად მოდის, ვიდრე მაშინ, როდესაც სობსი აგზავნის დასრულებულ აუდიო სეგმენტს ფრაზის შემდეგ.

WER: რა არის ეს და როგორ გამოიყურება რიცხვები

WER ნიშნავს Word Error Rate: არასწორად აღიარებული სიტყვების წილს. რაც უფრო დაბალია WER, მით უკეთესი. მაგალითად, WER 6% ნიშნავს, რომ დაახლოებით 100 სიტყვიდან 6 არასწორად იქნა ამოცნობილი: ჩანაცვლდა, გამოტოვა ან შეცდომით დაემატა.

მნიშვნელოვანია: WER ძნელია შედარება კონტექსტის გარეშე. იმავე მოდელს შეუძლია აჩვენოს 4% სუფთა ინგლისურ აუდიოზე და 15% ხმაურიან ზარზე აქცენტებით, შეფერხებებით და ცუდი მიკროფონით. ასე რომ, ქვემოთ მოცემული ნომრები არის საჯარო საცნობარო პუნქტები და არა გარანტია ყოველი ინტერვიუსთვის. წყაროს მნიშვნელობა აქვს, რადგან პროვაიდერები იყენებენ სხვადასხვა მონაცემთა ნაკრებებს და შეფასების მეთოდებს.

Groq Whisper Large v3 Turbo.
Groq იტყობინება ზოგადი WER დაახლოებით 12%, მაგრამ არ აქვეყნებს ცალკე ინგლისურ/რუსულ ნაწილს. როგორც ოჯახის დონის Whisper მითითება, FLEURS საორიენტაციო შოუები 4.00% ინგლისურისთვის და 5.13% რუსულისთვის.

OpenAI gpt-4o-mini-transcribe.
The FLEURS საორიენტაციო მაჩვენებელი Voxtral Realtime-ის სტატიების სიებში 3.65% ინგლისურისთვის და 5.30% რუსულისთვის. OpenAI ასევე ამბობს gpt-4o-transcribe და gpt-4o-mini-transcribe გააუმჯობესე WER Whisper v2/v3-თან შედარებით, მაგრამ მისი დოკუმენტები არ აქვეყნებს მარტივ დაშლას ამ ორი ენისთვის.

Deepgram Nova-3.
ინგლისურისთვის იუწყება Deepgram 5.26% მზა აუდიოსთვის და 6.84% სტრიმინგისთვის. რუსულისთვის, Soniox-ის საჯარო შედარების სიები 8.0%. Deepgram-ის სიძლიერე არის ინგლისური ვარიანტები და აქცენტები: ამერიკული, ბრიტანული, ავსტრალიური, ინდური და ახალზელანდიური ინგლისური.

Soniox STT v5.
ინფორმაციას Soniox ავრცელებს დაახლოებით 6.5% ინგლისურისთვის და დაახლოებით 6.2% რუსულისთვის 60-ენოვან ეტალონში. არ არსებობს ცალკე ინგლისური/რუსული ავარია Realtime STT, მაგრამ Soniox ამბობს, რომ v4 ნაკადის რეჟიმი აუმჯობესებს სიზუსტეს.

მთავარი წამყვანი: რუსულისთვის, Soniox და Deepgram უფრო ძლიერად გამოიყურება, ვიდრე ძველი Whisper-ის სტილის მიდგომები რეალურ სამყაროში, ხოლო gpt-4o-mini-transcribe კარგად გამოიყურება FLEURS. მაგრამ FLEURS, YouTube, ზარები და პირდაპირი ინტერვიუები სხვადასხვა გარემოა. მოდელის არჩევანმა უნდა გაითვალისწინოს როგორც WER, ასევე შეყოვნება.

მოდელები სათითაოდ

Groq Whisper Large v3 Turbo

Groq Whisper Large v3 Turbo არის ყველაზე სწრაფი Sobes ვარიანტი, როდესაც Realtime STT გამორთულია. ის შეესაბამება მოკლე პასუხებს, სწრაფ ინტერვიუებს და სიტუაციებს, სადაც მინიმალური შეყოვნება უფრო მნიშვნელოვანია, ვიდრე მაქსიმალური სიზუსტე რთულ მეტყველებაში.

მისი მთავარი ძალა არის სიჩქარე. Groq-ის ASR სახელმძღვანელო იტყობინება ზოგადი WER დაახლოებით 12% Whisper Large v3 Turbo-სთვის და აჩქარება 247x-მდე აუდიო ხანგრძლივობასთან შედარებით. ეს ხდის მას კარგ ვარიანტს მოკლე შენიშვნებისთვის, სადაც დაყოვნება ყველაზე მნიშვნელოვანია.

თუ მეტყველება შეიცავს უამრავ რუსულს, სახელებს, აბრევიატურებს, ინგლისურ ტექნიკურ სიტყვებს რუსული მეტყველების შიგნით, ხმაურს ან ძლიერ აქცენტს, გროკს შეუძლია მეტი შეცდომა დაუშვას. ამ შემთხვევაში, OpenAI ან Soniox ჩვეულებრივ უკეთესია, რადგან ზუსტი ფორმულირების შენარჩუნება უფრო მნიშვნელოვანია, ვიდრე ნედლეული სიჩქარე.

OpenAI gpt-4o-mini-transcribe

OpenAI gpt-4o-mini-transcribe ახდენს დასრულებული აუდიო სეგმენტის ტრანსკრიფციას. ის უფრო ნელია ვიდრე Groq Whisper Large v3 Turbo, მაგრამ, როგორც წესი, უფრო ფრთხილად ამუშავებს მეტყველების ნიუანსებს, ტექნიკურ ტერმინებს და კითხვების დეტალებს.

OpenAI ამბობს gpt-4o-transcribe და gpt-4o-mini-transcribe გააუმჯობესე WER და ენის ამოცნობა Whisper-თან შედარებით. დამოუკიდებელში FLEURS ნიშნული, gpt-4o-mini-transcribe ჩამოთვლილია 3.65% WER ინგლისურისთვის და 5.30% რუსულისთვის.

OpenAI gpt-4o-mini-transcribe არის კარგი უმაღლესი ხარისხის ვარიანტი Realtime STT გამორთულია, როდესაც Groq Whisper Large v3 Turbo ძალიან ბევრ შეცდომას უშვებს თქვენს მეტყველებაში ან მიკროფონში.

Deepgram Nova-3

Deepgram ძლიერია Realtime STT სცენარები. Nova-3 მუშაობს როგორც დასრულებულ აუდიოზე, ასევე სტრიმინგზე და Deepgram-ის დოკუმენტები იტყობინება WER 6.84% სტრიმინგ ტრანსკრიფციისთვის და 5.26% დასრულებული ჩანაწერებისთვის 2703 რეალურ სამყაროში აუდიო ფაილების კომპლექტზე.

Sobes-ში, Deepgram სასარგებლოა, როდესაც გსურთ ტექსტის ნახვა თითქმის დაუყოვნებლივ, ნაცვლად იმისა, რომ დაელოდოთ ფრაზის დასრულებას. თან Realtime STT გამორთულია, საშუალო ტრანსკრიფციის შეყოვნება არის დაახლოებით 900 ms; თან Realtime STT ჩართულია, ეს არის დაახლოებით 300 ms. ეს ხდის Deepgram-ს მოსახერხებელი გრძელი ფრაზების, პირდაპირი სუბტიტრების, შერეული მეტყველებისა და ინგლისური ინტერვიუებისთვის, განსაკუთრებით მაშინ, როდესაც ინტერვიუერს აქვს რეგიონალური აქცენტი.

Deepgram-ის ცალკეული უპირატესობა არის ინგლისური ვარიანტების მხარდაჭერა. თქვენ შეგიძლიათ აირჩიოთ არა მხოლოდ ზოგადი ინგლისური, არამედ ამერიკელი, ბრიტანელი, ავსტრალიელი, ინდური, ან ახალი ზელანდია ინგლისური. ეს ეხმარება საერთაშორისო ინტერვიუებში, სადაც ინტერვიუერს აქვს უცნობი აქცენტი და ტექნიკური ტერმინები შერეულია სწრაფ სასაუბრო ინგლისურთან.

რუსულისთვის, Deepgram ასევე კარგად გამოიყურება: Soniox-ის შედარება ჩამოთვლილია 8.0% WER რუსულისთვის.

Soniox STT v5, Realtime STT ინვალიდი

Soniox STT v5 კარგად მუშაობს რუსული, შერეული მეტყველებისთვის და რთული ტექნიკური ტერმინებისთვის, მაგრამ Realtime STT გამორთულია ეს ყველაზე ნელი ვარიანტია: ტრანსკრიფციის საშუალო შეყოვნება არის დაახლოებით 2500 ms. აზრი აქვს, როცა რუსულ და შერეულ მეტყველებაში სიზუსტეს პასუხის სიჩქარეზე მეტი მნიშვნელობა აქვს.

Soniox-ის ძლიერი მხარეა მრავალენოვანი ამოცნობა და ენის შეცვლა. ის ასევე მოიცავს ნაკლებად გავრცელებულ ენებს, სადაც ზოგადი დანიშნულების მოდელები ხშირად უფრო უარესდება, ვიდრე ინგლისურზე. ამას ასევე აქვს მნიშვნელობა რუსულენოვანი ინტერვიუებისთვის, სადაც ერთი ფრაზა შეიძლება შეიცავდეს React, PostgreSQL, Kafka, thread pool, event loopდა რუსული სიტყვების დაბოლოებები ინგლისური ტექნიკური ტერმინების გარშემო.

Soniox STT v5, Realtime STT ჩართულია

Soniox STT v5 თან Realtime STT ჩართული არის საუკეთესო ვარიანტი, როდესაც გჭირდებათ რუსული მეტყველება და ამავე დროს მინიმალური შეყოვნება. საშუალოდ, საბოლოო ტრანსკრიპტი ფრაზიდან დაახლოებით 200 ms-ში მოდის. ეს ვარიანტი განსაკუთრებით კარგად ჯდება VAD-ში და Start / Stop: ტექსტი გადადის პირდაპირ ეთერში, კარგად ამუშავებს რუსულ-ინგლისურ ფრაზებს და სწრაფად იკეტება საბოლოო ტექსტში პაუზის შემდეგ.

მოკლე ვერსია: რა უნდა აირჩიოთ?

თუ არ გინდა ზედმეტად დაფიქრდე:

• Realtime STT მუშაობს VAD-ში და Start / Stop. In One-Shot, გამოიყენეთ პარამეტრები Realtime STT ინვალიდი.
• Groq Whisper Large v3 Turbo არის ყველაზე სწრაფი ვარიანტი Realtime STT გამორთულია მოკლე ფრაზებისა და ტიპიური ინტერვიუებისთვის.
• OpenAI gpt-4o-mini-transcribe არის კარგი Realtime STT გამორთულია ვარიანტი, როდესაც გსურთ უფრო ფრთხილად ტრანსკრიფცია OpenAI-ის საშუალებით.
• Deepgram Nova-3, Realtime STT ინვალიდი იძლევა მყარ ხარისხს, მაგრამ საშუალო შეყოვნებით დაახლოებით 900 ms.
• Deepgram Nova-3, Realtime STT ჩართულია არის სწრაფი სტრიმინგის რეჟიმი, დაახლოებით 300 ms-მდე ფრაზის შემდეგ საბოლოო ტექსტამდე.
• Soniox STT v5, Realtime STT ინვალიდი ძლიერია რუსული და შერეულენოვანი მეტყველებისთვის, მაგრამ აქვს ყველაზე მაღალი შეყოვნება: დაახლოებით 2500 ms.
• Soniox STT v5, Realtime STT ჩართულია არის რუსული და ენების გადართვის ყველაზე სწრაფი ნაკადის ვარიანტი: დაახლოებით 200 ms.