Calitatea răspunsurilor AI începe înainte de modelul lingvistic. Începe cu transcrierea vorbirii. Dacă sistemul auzi greșit întrebarea, chiar și un model puternic va răspunde la text distorsionat.
În Sobes, puteți alege între mai multe modele de recunoaștere a vorbirii: Groq Whisper Large v3 Turbo, OpenAI gpt-4o-mini-transcribe, Deepgram Nova-3 și Soniox STT v5. Ele diferă nu numai prin precizie, ci și prin latență, comportament de înregistrare, suport lingvistic și modul în care gestionează întâlnirile zgomotoase.
Ce schimbă STT în timp real?
În interfața Sobes, setarea importantă este simplă: STT în timp real dezactivat sau STT în timp real activat.
STT în timp real este dezactivat
Sobes trimite un segment audio terminat pentru recunoaștere și așteaptă textul final. Iată cum funcționează Groq Whisper Large v3 Turbo, OpenAI gpt-4o-mini-transcribe și, de asemenea, Deepgram Nova-3 și Soniox STT v5 când STT în timp real este dezactivat.
Acesta este un flux simplu, stabil pentru fraze scurte: textul ajunge ca o transcriere terminată, fără corecții intermediare. Compensația este că Sobes primește text numai după ce segmentul audio este trimis. Frazele lungi fac întârzierea mai vizibilă și nu există un flux live de cuvinte în timp ce persoana vorbește.
STT în timp real este activat
Sobes transmite audio către model și primește text parțial înainte ca fraza să se termine. Iată cum funcționează Deepgram Nova-3 și Soniox STT v5 când este activat Realtime STT.
În transcrierea în flux, textul poate fi o ciornă la început: modelul poate revizui cuvintele în timp ce persoana continuă să vorbească. Finalizarea este momentul în care fraza se termină, modelul încetează să mai schimbe acel segment de text și Sobes îl poate transmite în siguranță înainte.
Punctul STT în timp real este viteza de reacție. Puteți vedea că sistemul aude vorbirea chiar acum, răspunsurile lungi devin lizibile înainte ca fraza să se termine, iar răspunsul automat poate începe mai devreme. Compensația este că textul parțial se poate schimba, calitatea depinde mai mult de stabilitatea conexiunii și, uneori, trebuie să așteptați până când modelul blochează textul final pentru frază.
Ce moduri de înregistrare acceptă Realtime STT?
Detaliu important: Realtime STT funcționează în modurile VAD și Start/Stop. În VAD, Sobes detectează automat vorbirea, începe înregistrarea și închide segmentul după o pauză. În Start / Stop, controlați începutul și sfârșitul manual, dar transcrierea în flux poate rula în continuare când înregistrarea este activă.
În One-Shot, STT în timp real nu este utilizat: Sobes ia ultimele secunde din memoria tampon audio și trimite un segment terminat pentru transcriere.
Deci, dacă alegeți Deepgram sau Soniox, dar utilizați One-Shot, utilizați numerele de latență „Realtime STT disabled” ca referință.
Latența transcripției
Aceasta este latența recunoașterii vorbirii: cât timp așteaptă Sobes pentru text după un segment audio terminat sau după ce un model de streaming blochează textul final pentru o frază. Nu include timpul în care persoana vorbește și nu include generarea de răspunsuri AI.
| Model | STT în timp real este dezactivat | STT în timp real este activat | Ce înseamnă |
|---|---|---|---|
| Groq Whisper Large v3 Turbo | 500-600 ms | Nu este disponibil | Cea mai rapidă opțiune de non-streaming. Bun pentru întrebări scurte. |
OpenAI gpt-4o-mini-transcribe |
600-900 ms | Nu este disponibil | Puțin mai lent decât Groq, dar de obicei mai atent cu vorbirea dificilă. |
| Deepgram Nova-3 | aproximativ 900 ms | aproximativ 300 ms | Cu STT în timp real activat, textul final apare mult mai rapid. |
| Soniox STT v5 | aproximativ 2500 ms | aproximativ 200 ms | Cel mai lent fără STT în timp real, dar cel mai rapid la blocarea textului final atunci când STT în timp real este activat. |
STT în timp real nu este doar o casetă de selectare. Pentru Deepgram și Soniox, schimbă cât de repede se simte produsul: textul începe să apară aproape imediat, iar transcrierea finală ajunge mai repede decât atunci când Sobes trimite un segment audio completat după frază.
WER: ce este și cum arată numerele
WER înseamnă rata de eroare a cuvintelor: ponderea cuvintelor recunoscute incorect. Cu cât este mai mic WER, cu atât mai bine. De exemplu, WER de 6% înseamnă că aproximativ 6 din 100 de cuvinte au fost recunoscute incorect: înlocuite, sărite sau adăugate din greșeală.
Important: WER este greu de comparat fără context. Același model poate afișa 4% la sunetul englezesc curat și 15% la un apel zgomotos cu accente, întreruperi și un microfon slab. Deci numerele de mai jos sunt puncte de referință publice, nu o garanție pentru fiecare interviu. Sursa contează deoarece furnizorii folosesc seturi de date și metode de evaluare diferite.
Groq Whisper Large v3 Turbo. Groq raportează un WER general de aproximativ 12%, dar nu publică o defalcare separată engleză/rusă. Ca referință Whisper la nivel de familie, benchmarkul FLEURS arată 4,00% pentru engleză și 5,13% pentru rusă.
OpenAI gpt-4o-mini-transcriere.
Benchmarkul FLEURS din articolul Voxtral Realtime listează 3,65% pentru engleză și 5,30% pentru rusă. OpenAI mai spune că gpt-4o-transcribe și gpt-4o-mini-transcribe îmbunătățesc WER în comparație cu Whisper v2/v3, dar documentele sale nu publică o defalcare simplă pentru aceste două limbi.
Deepgram Nova-3. Pentru limba engleză, Deepgram raportează 5,26% pentru sunetul terminat și 6,84% pentru streaming. Pentru rusă, comparația publică Soniox prezintă 8,0%. Puterea lui Deepgram sunt variantele și accentele englezești: engleză americană, britanică, australiană, indiană și neozeelandeză.
Soniox STT v5. Soniox raportează aproximativ 6,5% pentru engleză și aproximativ 6,2% pentru rusă într-un etalon de referință în 60 de limbi. Nu există o defalcare separată în engleză/rusă pentru Realtime STT, dar Soniox spune că modul de streaming v4 îmbunătățește acuratețea.
Principala concluzie: pentru rusă, Soniox și Deepgram arată mai puternic decât abordările mai vechi în stil Whisper pe benchmark-uri din lumea reală, în timp ce gpt-4o-mini-transcribe arată bine pe FLEURS. Dar FLEURS, YouTube, apelurile și interviurile live sunt medii diferite. Alegerea modelului ar trebui să ia în considerare atât WER, cât și latența.
Modele unul câte unul
Groq Whisper Large v3 Turbo
Groq Whisper Large v3 Turbo este cea mai rapidă opțiune Sobes atunci când STT în timp real este dezactivat. Se potrivește cu răspunsuri scurte, interviuri rapide și situații în care latența minimă contează mai mult decât acuratețea maximă în vorbirea dificilă.
Principala sa putere este viteza. Ghidul ASR al lui Groq raportează un WER general de aproximativ 12% pentru Whisper Large v3 Turbo și o accelerație de până la 247x în raport cu durata audio. Acest lucru îl face o opțiune bună pentru observații scurte în care întârzierea contează cel mai mult.
Dacă discursul conține o mulțime de limba rusă, nume, abrevieri, cuvinte tehnice engleze în interiorul vorbirii rusești, zgomot sau un accent puternic, Groq poate face mai multe greșeli. În acest caz, OpenAI sau Soniox este de obicei cea mai bună soluție, deoarece păstrarea textului exact contează mai mult decât viteza brută.
OpenAI gpt-4o-mini-transcrie
OpenAI gpt-4o-mini-transcribe transcrie un segment audio finalizat. Este mai lent decât Groq Whisper Large v3 Turbo, dar de obicei tratează cu mai multă atenție nuanțele vorbirii, termenii tehnici și detaliile întrebărilor.
OpenAI spune că gpt-4o-transcribe și gpt-4o-mini-transcribe îmbunătățesc WER și recunoașterea limbii în comparație cu Whisper. În benchmark-ul independent FLEURS, gpt-4o-mini-transcribe este listat la 3,65% WER pentru engleză și 5,30% pentru rusă.
OpenAI gpt-4o-mini-transcribe este o opțiune bună, de calitate superioară, cu STT în timp real dezactivat atunci când Groq Whisper Large v3 Turbo face prea multe greșeli în vorbire sau microfon.
Deepgram Nova-3
Deepgram este puternic în scenariile STT în timp real. Nova-3 funcționează atât cu audio finalizat, cât și cu streaming, iar documentele Deepgram raportează WER de 6,84% pentru transcrierea în flux și 5,26% pentru înregistrările finalizate pe un set de 2.703 fișiere audio din lumea reală.
În Sobes, Deepgram este util atunci când doriți să vedeți textul aproape imediat, în loc să așteptați până când fraza se termină. Cu STT în timp real dezactivat, latența medie a transcripției este de aproximativ 900 ms; cu STT în timp real activat, este de aproximativ 300 ms. Acest lucru face ca Deepgram să fie convenabil pentru fraze lungi, subtitrări live, vorbire mixtă și interviuri în limba engleză, mai ales când intervievatorul are un accent regional.
Un avantaj separat Deepgram este suportul pentru variantele în limba engleză. Puteți alege nu numai engleză generică, ci și engleză americană, britanică, australiană, indiană sau Noua Zeelandă. Acest lucru ajută la interviurile internaționale în care intervievatorul are un accent necunoscut și termenii tehnici sunt amestecați cu engleza conversațională rapidă.
Pentru rusă, Deepgram arată și decent: comparația Soniox listează 8,0% WER pentru rusă.
Soniox STT v5, STT în timp real dezactivat
Soniox STT v5 funcționează bine pentru limba rusă, vorbire în limbi mixte și termeni tehnici dificili, dar cu STT în timp real dezactivat, este cea mai lentă opțiune: latența medie a transcripției este de aproximativ 2500 ms. Are sens atunci când acuratețea vorbirii în limba rusă și mixtă contează mai mult decât viteza de răspuns.
Punctul forte al Soniox este recunoașterea multilingvă și schimbarea limbii. De asemenea, acoperă un număr mare de limbi mai puțin obișnuite în care modelele de uz general se degradează adesea mai mult decât în engleză. Acest lucru contează și pentru interviurile vorbitoare de limbă rusă, unde o singură frază poate conține React, PostgreSQL, Kafka, thread pool, event loop și terminații de cuvinte în limba rusă în jurul termenilor tehnici englezi.
Soniox STT v5, STT în timp real activat
Soniox STT v5 cu Realtime STT activat este cea mai bună opțiune atunci când aveți nevoie de vorbire rusă și latență minimă în același timp. În medie, transcrierea finală ajunge la aproximativ 200 ms după frază. Această opțiune se potrivește mai ales în VAD și Start/Stop: textul este transmis în direct, gestionează bine frazele rusă-engleză și blochează textul final rapid după o pauză.
Versiune scurtă: ce ar trebui să alegi?
Dacă nu vrei să te gândești prea mult la asta:
- ** STT în timp real funcționează în VAD și Start / Stop**. În One-Shot, utilizați opțiunile cu STT în timp real dezactivat.
- Groq Whisper Large v3 Turbo este cea mai rapidă opțiune cu STT în timp real dezactivat pentru fraze scurte și interviuri tipice.
- OpenAI gpt-4o-mini-transcribe este o opțiune bună dezactivată STT în timp real atunci când doriți o transcriere mai atentă prin OpenAI.
- Deepgram Nova-3, STT în timp real dezactivat oferă o calitate solidă, dar cu o latență medie de aproximativ 900 ms.
- Deepgram Nova-3, Realtime STT activat este un mod de streaming rapid, aproximativ 300 ms până la textul final după o frază.
- Soniox STT v5, Realtime STT dezactivat este puternic pentru vorbirea rusă și în limbi mixte, dar are cea mai mare latență: aproximativ 2500 ms.
- Soniox STT v5, Realtime STT activat este cea mai rapidă opțiune de streaming pentru limba rusă și schimbarea limbii: aproximativ 200 ms.