AI жауаптарының сапасы тіл үлгісінен бұрын басталады. Ол сөйлеуді транскрипциялаудан басталады.
Егер жүйе сұрақты дұрыс қабылдамаса, тіпті күшті модель бұрмаланған мәтінге жауап береді.
Sobes жүйесінде сөйлеуді тану үшін бірнеше үлгілердің бірін таңдауға болады: Groq Whisper Large v3 Turbo, OpenAI gpt-4o-mini-transcribe, Deepgram Nova-3 және Soniox STT v5. Олар тек дәлдікте ғана емес, сонымен қатар кешігуде, жазу тәртібінде, тілдік қолдауда және шулы жиналыстарды қалай өңдеуде ерекшеленеді.
Нақты уақыттағы STT нені өзгертеді?
Sobes интерфейсінде маңызды параметр қарапайым: Нақты уақыттағы STT өшірілген немесе Нақты уақыттағы STT қосылған.
Нақты уақыттағы STT өшірілген
Sobes дайын аудио сегментті тану үшін жібереді және соңғы мәтінді күтеді.
Нақты уақыттағы STT өшірілгенде Groq Whisper Large v3 Turbo, OpenAI gpt-4o-mini-transcribe, сондай-ақ Deepgram Nova-3 және Soniox STT v5 жұмыс істейді.
Бұл қысқа фразалар үшін қарапайым, тұрақты ағын: мәтін аралық түзетулерсіз аяқталған транскрипт ретінде келеді. Мәселе мынада, Sobes мәтінді аудио сегмент жіберілгеннен кейін ғана алады. Ұзын фразалар кешігуді айтарлықтай айқын етеді және адам сөйлеп тұрған кезде тікелей сөздер ағыны болмайды.
нақты уақыттағы STT қосылды
Sobes дыбысты модельге жібереді және сөйлем аяқталмай тұрып ішінара мәтінді алады.
Нақты уақыттағы STT қосулы кезде Deepgram Nova-3 және Soniox STT v5 осылай жұмыс істейді.
Ағынды транскрипцияда мәтін бастапқыда нобай болуы мүмкін: адам сөйлеп тұрған кезде модель сөздерді қайта қарауы мүмкін. Қорытындылау — сөз тіркесі аяқталған, модель сол мәтін сегментін өзгертуді тоқтататын және Sobes оны қауіпсіз түрде алға жібере алатын сәт.
Нақты уақыттағы STT нүктесі - реакция жылдамдығы. Жүйе дәл қазір сөйлеуді еститінін, ұзақ жауаптар сөз тіркесі аяқталмай тұрып оқылатынын және автоматты жауап тезірек басталуы мүмкін екенін көре аласыз. Мәселе мынада: жартылай мәтін өзгеруі мүмкін, сапа қосылым тұрақтылығына көбірек байланысты және кейде үлгі фразаның соңғы мәтінінде құлыпталғанша күту керек.
Нақты уақыттағы STT қандай жазу режимдері қолдайды?
Маңызды мәліметтер: Нақты уақыттағы STT VAD және Бастау/Тоқтату режимдерінде жұмыс істейді. VAD жүйесінде Sobes сөзді автоматты түрде анықтайды, жазуды бастайды және үзілістен кейін сегментті жабады. Бастау/Тоқтату қолданбасында сіз басы мен аяқталуын қолмен басқарасыз, бірақ жазу белсенді болған кезде транскрипция ағыны жұмыс істей береді.
One-Shot қолданбасында Realtime STT пайдаланылмайды: Sobes аудио буферінен соңғы секундтарды алады және транскрипцияға дайын сегментті жібереді.
Сонымен, Deepgram немесе Soniox таңдап, бірақ One Shot қолданбасын пайдалансаңыз, сілтеме ретінде "Нақты уақыттағы STT өшірілген" кідіріс сандарын пайдаланыңыз.
Транскрипцияның кешігуі
Бұл сөзді тану кідірісі: Sobes аяқталған аудио сегменттен кейін немесе ағындық үлгі фразаның соңғы мәтінінде құлыптағаннан кейін мәтінді қанша уақыт күтеді. Ол адам сөйлеп тұрған уақытты қамтымайды және AI жауаптарын генерациялауды қамтымайды.
| Үлгі | Нақты уақыттағы STT өшірілген | Нақты уақыттағы STT қосылған | Бұл нені білдіреді |
|---|---|---|---|
| Groq Whisper Large v3 Turbo | 500-600 мс | Қолжетімсіз | Ең жылдам ағынсыз опция. Қысқа сұрақтарға жақсы. |
OpenAI gpt-4o-mini-transcribe |
600-900 мс | Қолжетімсіз | Грокқа қарағанда сәл баяу, бірақ әдетте қиын сөйлеуге мұқият болады. |
| Deepgram Nova-3 | шамамен 900 мс | шамамен 300 мс | Realtime STT қосылғанда, соңғы мәтін әлдеқайда жылдамырақ көрсетіледі. |
| Soniox STT v5 | шамамен 2500 мс | шамамен 200 мс | Нақты уақыттағы STT функциясынсыз ең баяу, бірақ нақты уақыттағы STT қосулы кезде соңғы мәтінді құлыптау кезінде ең жылдам. |
Нақты уақыттағы STT - бұл жай құсбелгі емес. Deepgram және Soniox үшін бұл өнімнің сезіну жылдамдығын өзгертеді: мәтін бірден дерлік пайда бола бастайды және соңғы транскрипт Sobes сөйлемнен кейін аяқталған аудио сегментті жібергеннен гөрі тезірек келеді.
WER: бұл не және сандар қалай көрінеді
WER сөз қатесінің жылдамдығын білдіреді: қате танылған сөздердің үлесі. WER неғұрлым төмен болса, соғұрлым жақсы. Мысалы, WER 6% 100 сөздің шамамен 6-сы қате танылғанын білдіреді: ауыстырылды, өткізіліп жіберілді немесе қате қосылды.
Маңызды: WER контекстсіз салыстыру қиын. Дәл сол модель таза ағылшын дыбысында 4% және екпіні, үзілістері және нашар микрофоны бар шулы қоңырауда 15% көрсете алады. Төмендегі сандар жалпыға ортақ анықтамалық нүктелер болып табылады, әрбір сұхбатқа кепілдік емес. Дереккөз маңызды, себебі провайдерлер әртүрлі деректер жиынын және бағалау әдістерін пайдаланады.
Groq Whisper Large v3 Turbo.
Groq жалпы WER шамамен 12% деп хабарлайды, бірақ ағылшын/орыс тіліндегі бөлек бөліністерді жарияламайды. Отбасылық деңгейдегі Whisper анықтамасы ретінде FLEURS эталоны ағылшын тілі үшін 4,00% және орыс тілі үшін 5,13% көрсетеді.
OpenAI gpt-4o-mini-транскрипция.
Voxtral Realtime мақаласындағы FLEURS эталоны ағылшын тілі үшін 3,65% және орыс тілі үшін 5,30% тізімін береді. OpenAI сонымен қатар gpt-4o-transcribe және gpt-4o-mini-transcribe WER-ді Whisper v2/v3 нұсқасымен салыстырғанда жақсартатынын айтады, бірақ оның құжаттары осы екі тілге арналған қарапайым бөлшекті жарияламайды.
Deepgram Nova-3.
Ағылшын тілі үшін Deepgram дайын аудио үшін 5,26% және ағын үшін 6,84% хабарлайды. Орыс тілі үшін Soniox жалпыға ортақ салыстыру тізімі 8,0%. Deepgram-дың күші - ағылшын нұсқалары мен екпіндері: американдық, британдық, австралиялық, үнділік және жаңа зеландиялық ағылшын.
Soniox STT v5.
Soniox 60 тілдік бенчмаркте ағылшын тілі үшін шамамен 6,5%, ал орыс тілі үшін шамамен 6,2% көрсеткішін хабарлайды. Realtime STT үшін ағылшын/орыс тілдері бойынша жеке бөлу жоқ, бірақ Soniox v4 ағынды режимі дәлдікті жақсартатынын айтады.
Негізгі нәтиже: орыс тіліне арналған Soniox және Deepgram нақты әлемдік өлшемдердегі Whisper стиліндегі ескі тәсілдерге қарағанда күштірек көрінеді, ал gpt-4o-mini-transcribe FLEURS-те жақсы көрінеді. Бірақ FLEURS, YouTube, қоңыраулар және тікелей сұхбаттар әртүрлі орталар. Үлгіні таңдауда WER және кідіріс ескерілуі керек.
Бір-бірден үлгілер
Groq Whisper Large v3 турбо
Groq Whisper Large v3 Turbo - Realtime STT өшірілген кездегі ең жылдам Sobes опциясы. Ол қысқа жауаптарға, жылдам сұхбаттарға және қиын сөйлеудегі максималды дәлдікке қарағанда ең аз кідіріс маңыздырақ болатын жағдайларға сәйкес келеді.
Оның негізгі күші - жылдамдық. Groq's ASR нұсқаулығы Whisper Large v3 Turbo үшін шамамен 12% жалпы WER және аудио ұзақтығына қатысты 247 есе жылдамдату туралы хабарлайды. Бұл кідіріс маңызды болған кезде қысқа ескертулер үшін жақсы мүмкіндік береді.
Егер сөйлеуде орысша көп болса, атаулар, қысқартулар, орыс тіліндегі ағылшын техникалық сөздері, шу немесе қатты екпін болса, Groq көбірек қате жіберуі мүмкін. Бұл жағдайда OpenAI немесе Soniox әдетте жақсы қалпына келтіру болып табылады, өйткені дәл тұжырымды сақтау шикі жылдамдықтан гөрі маңызды.
OpenAI gpt-4o-mini-транскрипция
OpenAI gpt-4o-mini-transcribe аяқталған аудио сегментті транскрипциялайды. Ол Groq Whisper Large v3 Turbo қарағанда баяуырақ, бірақ әдетте сөйлеу нюанстарын, техникалық терминдерді және сұрақ мәліметтерін мұқият өңдейді.
OpenAI gpt-4o-transcribe және gpt-4o-mini-transcribe WER және Whisper-пен салыстырғанда тілді тануды жақсартатынын айтады. Тәуелсіз FLEURS эталонында gpt-4o-mini-transcribe ағылшын тілі үшін 3,65% және орыс тілі үшін 5,30% WER деңгейінде көрсетілген.
OpenAI gpt-4o-mini-transcribe — Groq Whisper Large v3 Turbo сөйлеуіңізде немесе микрофоныңызда тым көп қателіктер жібергенде, Realtime STT өшірілген жақсы жоғары сапалы опция.
Deepgram Nova-3
Deepgram нақты уақыттағы STT сценарийлерінде күшті. Nova-3 аяқталған дыбыспен де, ағынмен де жұмыс істейді және Deepgram құжаттары ағынды транскрипция үшін WER 6,84% және 2703 нақты әлемдегі аудио файлдар жинағындағы аяқталған жазбалар үшін 5,26% деп хабарлайды.
Sobes қолданбасында Deepgram фразаның аяқталуын күтудің орнына мәтінді бірден көргіңіз келсе пайдалы. Realtime STT өшірілген кезде транскрипцияның орташа кідірісі шамамен 900 мс құрайды; Realtime STT қосылған кезде ол шамамен 300 мс құрайды. Бұл Deepgram-ды ұзақ фразалар, тірі субтитрлер, аралас сөйлеу және ағылшын тіліндегі сұхбаттар үшін ыңғайлы етеді, әсіресе сұхбат берушіде аймақтық акцент болған кезде.
Deepgram-дың бөлек артықшылығы - ағылшын тіліндегі нұсқаларды қолдау. Сіз тек жалпы ағылшын тілін ғана емес, сонымен қатар американдық, Британдық, Австралия, Үнді немесе Жаңа Зеландия ағылшын тілін таңдай аласыз. Бұл сұхбат алушының бейтаныс екпіні бар және техникалық терминдер жылдам сөйлесетін ағылшын тілімен араласатын халықаралық сұхбаттарда көмектеседі.
Орыс тілі үшін Deepgram да лайықты көрінеді: Soniox салыстыруында орыс тілі үшін 8,0% WER тізімі берілген.
Soniox STT v5, нақты уақыттағы STT өшірілген
Soniox STT v5 орыс тілі, аралас тілде сөйлеу және күрделі техникалық терминдер үшін жақсы жұмыс істейді, бірақ Realtime STT өшірілген кезде бұл ең баяу опция: транскрипцияның орташа кідірісі шамамен 2500 мс. Орыс тіліндегі және аралас сөйлеудегі дәлдік жауап беру жылдамдығынан маңыздырақ болғанда мағынасы бар.
Soniox күші көп тілді тану және тілді ауыстыру болып табылады. Ол сондай-ақ жалпы мақсаттағы үлгілер ағылшын тіліне қарағанда жиі нашарлайтын кең таралған тілдердің үлкен пулын қамтиды. Бұл орыс тілінде сөйлейтін сұхбаттар үшін де маңызды, мұнда бір фразада React, PostgreSQL, Kafka, thread pool, event loop және айналасындағы орыс тіліндегі техникалық терминдер болуы мүмкін.
Soniox STT v5, нақты уақыттағы STT қосулы
Нақты уақыттағы STT қосылған Soniox STT v5 нұсқасы бір уақытта орысша сөйлеу мен ең аз кідіріс қажет болғанда ең жақсы нұсқа болып табылады. Орташа алғанда, соңғы транскрипт фразадан шамамен 200 мс кейін келеді. Бұл опция әсіресе VAD және Бастау / Тоқтатуға жақсы сәйкес келеді: мәтін ағындары тікелей эфирде, орысша-ағылшынша фразаларды жақсы өңдейді және үзілістен кейін соңғы мәтінді жылдам құлыптайды.
Қысқа нұсқа: нені таңдау керек?
Егер сіз бұл туралы артық ойланғыңыз келмесе:
- Нақты уақыттағы STT VAD және Бастау/Тоқтату жүйесінде жұмыс істейді. One-shot режимінде Realtime STT өшірілген опцияларды пайдаланыңыз.
- Groq Whisper Large v3 Turbo қысқа фразалар мен әдеттегі сұхбаттар үшін Realtime STT өшірілген ең жылдам опция болып табылады.
- OpenAI gpt-4o-mini-transcribe OpenAI арқылы мұқият транскрипциялауды қаласаңыз, нақты уақыттағы STT өшірілген жақсы опция.
- Deepgram Nova-3, Realtime STT өшірілген қатты сапаны береді, бірақ орташа кідіріс шамамен 900 мс.
- Deepgram Nova-3, Realtime STT қосулы — жылдам ағындық режим, сөйлемнен кейінгі соңғы мәтінге дейін шамамен 300 мс.
- Soniox STT v5, Realtime STT өшірілген орыс және аралас тілде сөйлеу үшін күшті, бірақ ең жоғары кідіріс бар: шамамен 2500 мс.
- Soniox STT v5, Realtime STT қосылған орыс тілін және тілді ауыстыруға арналған ең жылдам ағындық опция: шамамен 200 мс.