Whisper AI ምን ያህል ትክክል ነው? WER፣ ገደቦችና ምክሮች (2026)

በwhispertranscribe.ai የአርትኦት ቡድን · የመጨረሻ ዝማኔ፡ ኖቬምበር 2026 · 13 ደቂቃ ንባብ · ምድብ፡ የቅየራ ትክክለኛነት

Whisper ምን ያህል ትክክል ነው? በንጹህ የተነበበ እንግሊዝኛ ላይ የOpenAI ጥናት ለWhisper large-v2 2.5% የቃላት ስህተት መጠን (WER) ያሳያል፤ ማለትም ከ100 ቃላት 97 እስከ 98 ያህሉ ትክክል ናቸው። ከባድ ድምፅ ውጤቱን ያወርዳል፡ በስልክ ጥሪ 13.6%፣ ጫጫታ ባለበት የእራት ግብዣ 24.9%፣ በአንድ የሩቅ ማይክሮፎን በተቀዳ ስብሰባ 39.9% ነው።

Whisper የOpenAI ክፍት ምንጭ የንግግር ማወቂያ ሞዴል ሲሆን የእኛን ጨምሮ ብዙ የቅየራ መተግበሪያዎችን ያንቀሳቅሳል። ይህ መመሪያ ትክክለኛነትን ብቻ ይሸፍናል፡ WER የሚለካው፣ በድምፅና ቋንቋ ያሉ የሙከራ ውጤቶች፣ Whisper የሚሳሳትባቸው ቦታዎችና በራስዎ እንዴት እንደሚፈትሹት። ስለ ሞዴሉ Whisper AI ምንድን ነው ይመልከቱ።

አብዛኞቹ ቁጥሮች ከWhisper ጥናት (Radford እና ሌሎች፣ 2022) ናቸው፤ ሞዴሎቹ በፈተና መረጃዎቹ ላይ ተጨማሪ ስልጠና ሳይደረግ «zero-shot» ተፈትሸዋል። የአዲሱ large-v3 ሞዴል ካርድ በብዙ ቋንቋዎች ከlarge-v2 10% እስከ 20% ያነሱ ስህተቶችን ይገልጻል፣ ግን ለእያንዳንዱ የመረጃ ስብስብ ሙሉ ሰንጠረዥ አያቀርብም። ጽሑፉን whispertranscribe.ai ያትማል። ለዚህ ጽሑፍ የንጽጽር ሙከራ አላደረግንም፣ እዚህ ያሉት ቁጥሮችም የራሳችን የሙከራ ውጤት አይደሉም።

የWhisper ትክክለኛነት በአንድ እይታ

ድምፁ ከሌላው በላይ ቁጥሩን ስለሚቀይር አንድ የሙከራ ስብስብ ብቻ በቂ መልስ አይሰጥም። ሰንጠረዡ የOpenAI large-v2 ውጤቶችን beam search እና temperature fallback በመጠቀም (አባሪ ሰንጠረዥ 9)፣ በOpenAI የጽሑፍ ኖርማላይዘር ከተስተካከለ በኋላ ያሳያል።

የድምፅ አይነት በጥናቱ የሙከራ ስብስብ Whisper large-v2 WER በግምት ትክክል የሆኑ ቃላት
ኦዲዮ መጽሐፍ፣ ግልጽ አንባቢ LibriSpeech test-clean 2.5% ከ100 ወደ 97.5
የተነበበ ዜና WSJ 2.6% ከ100 ወደ 97.4
TED ንግግሮች TED-LIUM 3 3.7% ከ100 ወደ 96
ኦዲዮ መጽሐፍ፣ የበለጠ ከባድ ተናጋሪዎች LibriSpeech test-other 4.9% ከ100 ወደ 95
በቤት ማይክሮፎን የተቀዱ በጎ ፈቃደኞች Common Voice 5.1 8.2% ከ100 ወደ 92
የስልክ ውይይቶች Switchboard 13.6% ከ100 ወደ 86
ረዣዥም ማህበራዊ የቋንቋ ቃለ መጠይቆች CORAAL 14.2% ከ100 ወደ 86
የቤተሰብና ጓደኞች የስልክ ጥሪዎች CallHome 16.4% ከ100 ወደ 84
ስብሰባ፣ እያንዳንዱ በሄድሴት ማይክሮፎን AMI IHM 17.4% ከ100 ወደ 83
የእራት ግብዣ፣ የሩቅ ማይክሮፎኖች CHiME-6 24.9% ከ100 ወደ 75
ስብሰባ፣ በሩቅ አንድ የጠረጴዛ ማይክሮፎን AMI SDM1 39.9% ከ100 ወደ 60

«ትክክል የሆኑ ቃላት» 100 ሲቀነስ WER የሚገኝ ግምት ነው፣ WER የተጨመሩ ቃላትንም ስለሚቆጥር።

ብዙ ጊዜ 2.7% ሊጠቀስ ይችላል፡ ተመሳሳይ ሞዴል በቀላል greedy decoding የተገኘ ውጤት ነው (የጥናቱ ሰንጠረዥ 2)። የAMI ረድፎች በሁለት መንገድ የተቀዱ ተመሳሳይ ስብሰባዎች ናቸው። ማይክሮፎንን ከእያንዳንዱ ተናጋሪ ወደ ጠረጴዛው መሃል ማዛወር የስህተት መጠኑን ከእጥፍ በላይ ያደርገዋል።

የቃላት ስህተት መጠን (WER) ምንድን ነው፣ እንዴትስ ይሰላል?

WER ከሰው በተረጋገጠ የማጣቀሻ ጽሑፍ ጋር ሲነጻጸር የቅጂውን ስህተት ይለካል። ሶስት የስህተት አይነቶችን ቆጥረው በማጣቀሻው ቃላት ብዛት ያካፍሉ፦

WER = (መተካቶች + መተዎች + ጭማሪዎች) ÷ የማጣቀሻው ቃላት ብዛት

  • መተካት፦ ትክክለኛው ቃል በስህተት መተካት (በእንግሊዝኛ «launch» ፋንታ «lunch»)።
  • መተው፦ የተነገረ ቃል ከጽሑፉ መጥፋት።
  • መጨመር፦ ማንም ያልተናገረው ቃል በጽሑፉ መግባት።

ከታች የመጀመሪያው እንግሊዝኛ ጽሑፍ ደራሲዎች ያዘጋጁት የእንግሊዝኛ ምሳሌ ነው፣ በክፍት ምንጭ jiwer ቤተ መጻሕፍት የተሰላ፦

መስመር ጽሑፍ
ማጣቀሻ (22 ቃላት) we moved the product launch to march ninth because the vendor missed two deadlines and doctor patel wants a new test plan
ቅጂ we moved the product lunch to march ninth because vendor missed two deadlines and doctor battle wants a new test plan today
ስህተቶች 2 መተካቶች (lunch, battle), 1 መተው (the), 1 ጭማሪ (today)
WER 4 ÷ 22 = 18.2%

ስለ WER ሰዎች የሚያስታቸው ሶስት ነገሮች፦

  1. ከ100% በላይ ሊሆን ይችላል። ጭማሪዎች ጣሪያ የላቸውም፤ በጥናቱ Fleurs ውጤቶች አነስተኛ የመረጃ ሀብት ያላቸው ጥቂት ቋንቋዎች ከ100% በላይ ናቸው።
  2. ኖርማላይዜሽን ውጤቱን ይቀይራል። ሁለቱም ጽሑፎች በአንድ መንገድ ካልተስተካከሉ «Dr.» እና «doctor» እንደ ስህተት ይቆጠራሉ። OpenAI ኖርማላይዘሩ በአንዳንድ ስብስቦች WERን እስከ 50% እንደቀነሰ፣ በአብዛኛው የቅርጸት ልዩነት በማስወገድ፣ ይናገራል።
  3. አንዳንድ ቋንቋዎች የቁምፊ ስህተት መጠን (CER) ይጠቀማሉ። ለቻይንኛ፣ ጃፓንኛ፣ ታይ፣ ላኦ እና በርማኛ፣ ቃላት በክፍተት ስለማይለዩ፣ ጥናቱ ቁምፊዎችን ይቆጥራል።

የሙከራ ስብስብና የአሰላል ዘዴ ያልተገለጸበት የትክክለኛነት አባባል ማንም ቢያቀርበው፣ እኛንም ጨምሮ፣ መለኪያ አይደለም።

Whisper በእንግሊዝኛ ምን ያህል ትክክል ነው?

Whisper በግልጽ እንግሊዝኛ በጣም ትክክል ሲሆን በተወሳሰበ እንግሊዝኛም ጠቃሚ ሆኖ ይቀራል። በጥናቱ በሌሎች 12 የእንግሊዝኛ መረጃ ስብስቦች ላይ በLibriSpeech ተመሳሳይ ውጤት ካለው በቁጥጥር ከሰለጠነ wav2vec 2.0 ሞዴል 55.2% ያነሱ ስህተቶችን አሳይቷል።

ረዣዥም ቅጂዎች

Whisper ድምፅን በ30 ሰከንድ መስኮቶች ያነባል፣ ስለዚህ ጥናቱ ረዣዥም ፋይሎችን በተለይ ፈትሿል (አባሪ ሰንጠረዥ 16፣ large-v2)፦

ረጅም የሙከራ ስብስብ ይዘት WER
TED-LIUM 3 11 ሙሉ የTED ንግግሮች 3.5%
Meanwhile 64 የሌሊት የቴሌቪዥን ክፍሎች፣ ብዙ ያልተለመዱ ቃላት 5.1%
Kincaid46 ከ2018 ንጽጽር 46 የተለያዩ ቅጂዎች 8.8%
Earnings-21 የኩባንያዎች የገቢ ጥሪዎች 9.7%
Rev16 16 የፖድካስት ክፍሎች 11.3%
Earnings-22 ተጨማሪ የገቢ ጥሪዎች፣ ብዙ ዘዬዎች 12.6%
CORAAL 231 ሙሉ በአፍሪካ አሜሪካዊ እንግሊዝኛ ቃለ መጠይቆች 19.6%

Whisper ከሰው ቅየራ አገልግሎቶች ጋር

OpenAI 25 Kincaid46 ቅጂዎችን በአራት የሰው አገልግሎቶችና በአንድ በኮምፒውተር ታግዞ በሚሰራ አገልግሎት አስቀይሯል። በኮምፒውተር የታገዘው ከWhisper በ1.15 የመቶኛ ነጥብ የተሻለ ሲሆን፣ ሙሉ በሙሉ የሰው አገልግሎቶች በትንሽ የነጥብ ክፍል ብቻ ተሻሉ። ጥናቱ ፍጹም ባይሆንም ለሰው ደረጃ በጣም ቅርብ መሆኑን ይገልጻል።

የሞዴል መጠን አስፈላጊ ነው

Whisper በብዙ መጠኖች ይገኛል፣ መተግበሪያዎችም ሁልጊዜ የሚጠቀሙትን አይገልጹም (አባሪ ሰንጠረዥ 9)፦

ሞዴል ፓራሜተሮች LibriSpeech clean Common Voice 5.1 Switchboard CHiME-6
tiny 39M 6.7% 26.1% 18.3% 48.0%
base 74M 4.9% 19.4% 15.6% 40.0%
small 244M 3.3% 12.8% 13.3% 30.9%
medium 769M 2.7% 9.7% 13.2% 27.6%
large-v2 1550M 2.5% 8.2% 13.6% 24.9%

ድምፁ ሲከብድ ልዩነቱ ይጨምራል፡ በንጹህ ኦዲዮ መጽሐፍ 4 ነጥብ ያህል፣ በእራት ግብዣ 23 ነጥብ። አዲሱ turbo ሞዴል የተመቻቸ large-v3 ነው፤ በጣም ፈጣን ቅየራ ለማግኘት የOpenAI GitHub README በሚለው አነስተኛ የትክክለኛነት ቅነሳ ይቀበላል።

Whisper በሌሎች ቋንቋዎች ምን ያህል ትክክል ነው?

ከእንግሊዝኛ ውጭ ትክክለኛነት በዋናነት Whisper በዚያ ቋንቋ ምን ያህል የስልጠና ድምፅ እንዳገኘ ላይ ይወሰናል። ጥናቱ በየስልጠና ሰዓትና WER ሎጋሪዝም መካከል 0.83 የካሬ ግንኙነት አግኝቶ፣ መረጃው በእያንዳንዱ 16 እጥፍ ሲጨምር WER በግማሽ እንደሚቀንስ ይገምታል። ከእንግሊዝኛ ውጭ ካሉት 96 ቋንቋዎች አብዛኞቹ ከ1,000 ሰዓት ያነሰ ነበራቸው።

የተመረጡ የFleurs ውጤቶች (የተነበቡ አረፍተ ነገሮች፣ large-v2፣ አባሪ ሰንጠረዥ 13)፦

ቋንቋ Fleurs WER ማስታወሻ
ስፓኒሽ 3.0% በሰንጠረዡ ዝቅተኛው
እንግሊዝኛ 4.2%
ፖርቹጋልኛ 4.3%
ጀርመንኛ 4.5%
ጃፓንኛ 5.3% የቁምፊ ስህተት መጠን
ሩሲያኛ 5.6%
ፈረንሳይኛ 8.3%
ኮሪያኛ 14.3% ከግምት የተለየ
ቻይንኛ 14.7% የቁምፊ ስህተት መጠን
አረብኛ 16.0%
ሂንዲ 21.5%
ዕብራይስጥ 27.1% ከግምት የተለየ
ስዋሂሊ 39.3%
ቴሉጉ 99.0% ከግምት የተለየ

ጥናቱ ዕብራይስጥ፣ ቴሉጉ፣ ቻይንኛና ኮሪያኛ ከስልጠና መረጃቸው ከተጠበቀው የከፋ ውጤት እንዳላቸው ይገልጻል፤ ምክንያቱም የቋንቋ ርቀት፣ ለፊደሎቹ የማይስማማ tokenizer ወይም የመረጃ ጥራት ሊሆን ይችላል። Fleurs የተነበበ ንግግር ነው፣ በውይይት የበለጠ ስህተት ይጠብቁ። README በCommon Voice 15 እና Fleurs ላይ ለlarge-v3 እና large-v2 አዲስ ግራፍ አለው።

የስፓኒሽ ድምፅን ወደ ጽሑፍ ለመቀየር የስፓኒሽ ውጤቶች አበረታች ናቸው። ለአነስተኛ የመረጃ ሀብት ቋንቋዎች ሙሉ ፕሮጀክት ከመጀመር በፊት አጭር ቅጂ ይፈትሹ።

የWhisperን ትክክለኛነት ምን ይነካል?

ከሁሉም በላይ የቅጂ ሁኔታ አስፈላጊ ነው። ከጥናቱና ከሞዴል ካርዱ የተወሰዱ ማስረጃዎች፦

ጉዳይ ማስረጃው የሚያሳየው ምን ማድረግ ይቻላል
የጀርባ ጫጫታ ከ10 dB signal-to-noise በታች በመጠጥ ቤት ጫጫታ Whisper ከተነጻጸሩት 14 ሞዴሎች ሁሉ ተሻለ፣ ግን ጫጫታ ሲጨምር ሁሉም ወረዱ ከማራገቢያና ሙዚቃ ርቀው ጸጥ ባለ ክፍል ይቅዱ
የማይክሮፎን ርቀት ተመሳሳይ AMI ስብሰባ፡ በሄድሴት 17.4%፣ በአንድ የጠረጴዛ ማይክሮፎን 39.9% ማይክሮፎኑን ለተናጋሪው ቅርብ ያድርጉ
ውይይትና መደራረብ ስልክና የእራት ግብዣ 13.6% እስከ 24.9%፣ ከተነበበ ንግግር 2.5% ጋር በአንድ ጊዜ አንድ ሰው፤ ለእያንዳንዱ ማይክሮፎን
ዘዬና ቀበሌኛ የሞዴል ካርዱ ያልተመጣጠነ ትክክለኛነት ይጠቅሳል፤ ረጅም CORAAL ቃለ መጠይቆች 19.6% ከእውነተኛ ቅጂዎችዎ ጋር የሚመሳሰሉ ተናጋሪዎችን ይፈትሹ
ያልተለመዱና ሙያዊ ቃላት በሙያዊ ቃላት የበለጸገ Meanwhile ላይ ጥሩ ነው (5.1%)፣ ግን ስሞችና ቴክኒካዊ ቃላት አሁንም ይሳሳታሉ ስሞችንና ቃላትን ከዝርዝር ጋር ያረጋግጡ
የቋንቋ መረጃ Fleurs WER ከ3.0% (ስፓኒሽ) እስከ 99.0% (ቴሉጉ) ነው ቋንቋውን ራስዎ ይምረጡ፤ አነስተኛ ሀብት ላላቸው ቋንቋዎች ተጨማሪ ግምገማ ያቅዱ
የሞዴል መጠን በCHiME-6 tiny 48.0%፣ large-v2 24.9% መሣሪያው የሚጠቀምበትን ሞዴል ይጠይቁ ወይም ትልቁን ይጠቀሙ
የፋይል ቅርጸትና የናሙና መጠን የWhisper ኮድ ሁሉንም ድምፅ ወደ 16 kHz mono እንደገና ናሙና ያደርጋል 48 kHz WAV ከንጹህ 16 kHz ፋይል ተጨማሪ ጥቅም የለውም

MP3ን ወደ ትልቅ WAV መቀየር የጠፋውን ዝርዝር አይመልስም። ንጹህ በመካከለኛ bitrate የተቀዳ ድምፅ ከጫጫታ ያለበት ከፍተኛ bitrate ይሻላል።

የታወቁ የWhisper ችግሮች፡ ሃሉሲኔሽን፣ ድግግሞሽና የጊዜ ምልክት

OpenAI እያንዳንዱን ከእነዚህ የችግር ሁኔታዎች መዝግቧል፤ በWER ካላቸው ድርሻ የበለጠ አስፈላጊ ናቸው።

የተፈጠረ ጽሑፍ

Whisper ማንም ያልተናገረውን ሊጽፍ ይችላል። የሞዴል ካርዱ ትንበያዎች በድምፅ ውስጥ ያልተነገረ ጽሑፍ ሊያካትቱ እንደሚችሉ ይላል፣ ምናልባት ሞዴሉ ቀጣይ የሚሆኑ ቃላትንም ስለሚተነብይ ነው። የጥናቱ ገደቦች ክፍል ከድምፁ ጋር ያልተያያዘ ሙሉ ሃሉሲኔሽንንም ይጠቅሳል።

ገለልተኛው Careless Whisper ጥናት (Koenecke እና ሌሎች፣ 2024) በኤፕሪልና ሜይ 2023 13,140 የድምፅ ክፍሎችን በOpenAI Whisper API አስኬዷል። ከቅጂዎቹ ወደ 1% (በአማካይ 1.4%) ሙሉ በሙሉ የተፈጠሩ ሐረጎች ወይም አረፍተ ነገሮች ነበሯቸው፤ ከእነዚያም 38% እንደ ጥቃት ወይም የሐሰት ግንኙነት ያለ ጎጂ ይዘት አካተቱ። ረዥም ዝምታ ያላቸው ተናጋሪዎች፣ በዚህ ምሳሌ አፋዚያ ያላቸው ሰዎች፣ ብዙ ጊዜ ይህን አስከትለዋል። APIው ከዚያ በኋላ ተቀይሯል፣ ስለዚህ ይህን የ2023 መለኪያ እንደሆነ ይውሰዱት።

ድግግሞሽና የተተዉ ቃላት

የሞዴል ካርዱ Whisper ተደጋጋሚ ጽሑፍ ለማመንጨት ዝንባሌ እንዳለው ይላል፤ beam search እና temperature scheduling ይቀንሱታል ግን ፍጹም አይደለም። ጥናቱ የክፍል መጀመሪያ ወይም መጨረሻ ቃላት መተውንም ይዘረዝራል። የdecoding ማሻሻያዎች አማካይ የረጅም ቅጂ WERን ከ11.0% ወደ 10.0% ቀንሰዋል፣ ግን ችግሩን አልፈቱትም።

ዝምታ፣ ሙዚቃና መሙያ ቃላት

የተፈጠረ ጽሑፍ በረዥም ዝምታና ሙዚቃ ጊዜ ይታያል። ጥናቱ የWhisper «ንግግር የለም» ምልክት ብቻውን የማይታመን መሆኑን አግኝቷል፤ ክፍት ምንጭ ኮዱም ሃሉሲኔሽን ሊኖር ሲችል ረዥም ዝምታን የመዝለል አማራጭ አለው።

የጊዜ ምልክት መዛባትና ረዣዥም ፋይሎች

Whisper ረጅም ድምፅን በአንድ ጊዜ በ30 ሰከንድ መስኮት ያስኬዳል፣ ቀጣዩንም ለማስቀመጥ የራሱን የጊዜ ትንበያ ይጠቀማል። ጥናቱ እንደሚለው በአንድ መስኮት ያለ ስህተት ወደ ቀጣዩ ሊተላለፍ ይችላል። በቃል ደረጃ የጊዜ ምልክቶች በኮዱ «የሙከራ» ተብለው ተሰይመዋል። ለንዑስ ርዕስ በዝምታ አካባቢ የጊዜ ምልክቶችን ይፈትሹ።

በልማት ወቅት OpenAI Whisper የተናጋሪ ስሞችን ገምቶ በአብዛኛው እንደተሳሳተ አይቷል። የተለቀቁት ሞዴሎች ይህን ለመቀነስ ተጨማሪ ስልጠና አግኝተዋል፣ ግን በጽሑፉ ያለውን ማንኛውንም ስም ያረጋግጡ።

የWhisper ቅየራ ትክክለኛነትን የሚያሻሽሉ 10 መንገዶች

አብዛኛው ማሻሻያ ቅየራ ከመጀመር በፊት ይመጣል። በግምት ከከፍተኛ ወደ ዝቅተኛ ተጽዕኖ፦

  1. ማይክሮፎኑን ያቅርቡ። በAMI ስብሰባዎች ርቀት ብቻ ስህተቱን ከእጥፍ በላይ አድርጓል።
  2. ጫጫታን ከምንጩ ያቁሙ። መስኮቶችን ዝጉ፣ ማራገቢያና ሙዚቃ ያቁሙ።
  3. ተደራርቦ መናገርን ያስወግዱ። በአንድ ጊዜ አንድ ሰው መናገር ከማንኛውም ቅንብር ይሻላል።
  4. ረዥም ዝምታና የሙዚቃ መግቢያ ይቁረጡ፣ ብዙ ጊዜ የተፈጠረ ጽሑፍ የሚታይበት ስለሆነ። በአረፍተ ነገር መሃል ሳይሆን በቆምታ ይቁረጡ።
  5. ቋንቋውን ራስዎ ይምረጡ። Whisper በ82 Fleurs ቋንቋዎች ቋንቋውን በ80.3% በትክክል ለይቷል፣ ስለዚህ በአጭር ወይም ዘዬ ባላቸው ቅጂዎች ራስ-ሰር መለየት ሊሳሳት ይችላል።
  6. ያለውን ትልቁን ሞዴል ይጠቀሙ፣ በተለይ ለጫጫታ ቅጂ።
  7. ራስዎ ካስተናገዱት ስሞችንና ቃላትን በማሳሰቢያ ያስገቡ። ክፍት ምንጭ Whisper የሚጠበቁ አጻጻፎችን በ--initial_prompt ይቀበላል።
  8. መጀመሪያውን ፋይል ይስቀሉ። በስፒከር እንደገና መቅዳት ወይም ደጋግሞ መጭመቅ ዝርዝርን ያጠፋል።
  9. ቃላትን ይፈትሹ። እያንዳንዱን ስም፣ ቁጥር፣ ቀንና ምህጻረ ቃል ፈልገው ከድምፁ ጋር ያረጋግጡ።
  10. በሁለት ዙር ይገምግሙ። በመጀመሪያ በመደበኛ ፍጥነት ስህተትን ያርሙ። ከዚያ የሃሉሲኔሽን ምልክቶችን ይፈልጉ፡ የተደጋገሙ መስመሮች፣ በዝምታ ወቅት አረፍተ ነገሮች ወይም «ስለተመለከቱ እናመሰግናለን» ያሉ መዝጊያዎች። ለሕግ፣ ለሕክምና ወይም ለህትመት ሥራ ሰው ሁሉንም ይገምግም።

በራስዎ ድምፅ የWhisper ትክክለኛነትን እንዴት መለካት ይቻላል?

ለሥራዎ ምርጥ ግምት በራስዎ ቅጂ ላይ የ30 ደቂቃ ሙከራ ነው። እነዚህ እርምጃዎች እርስዎ እንዲያደርጓቸው ናቸው፤ የwhispertranscribe.ai ሙከራ አይደሉም።

  1. ከእውነተኛ ሥራዎ የሚመሳሰሉ ሶስት የ2 ደቂቃ ክፍሎችን ይምረጡ፦ ቀላል፣ መደበኛና ከባድ።
  2. ማጣቀሻ ቅጂን በእጅ ይጻፉ፣ ቃል በቃል። መጀመሪያ ደንቦችን ይወስኑ፡ «እም» ማቆየት ወይስ መተው፣ ቁጥርን በአሃዝ ወይስ በቃላት መጻፍ።
  3. እያንዳንዱን ክፍል ይቀይሩ በሚፈትሹት መሣሪያና እንደ ቀላል ጽሑፍ ያስቀምጡ።
  4. ሁለቱንም ጽሑፎች በተመሳሳይ ያስተካክሉ። የOpenAI ኖርማላይዘር ከopenai-whisper ጋር ይመጣል።
  5. WERን ያሰሉ በjiwer፦
# pip install jiwer openai-whisper
import jiwer
from whisper.normalizers import EnglishTextNormalizer

norm = EnglishTextNormalizer()
ref = norm(open("reference.txt", encoding="utf-8").read())
hyp = norm(open("transcript.txt", encoding="utf-8").read())

out = jiwer.process_words(ref, hyp)
print(f"WER {out.wer:.1%}  S={out.substitutions} D={out.deletions} I={out.insertions}")
  1. አስፈላጊ ስህተቶችን ለይተው ይቁጠሩ። አምስት የተሳሳቱ መሙያ ቃላትና አምስት የተሳሳቱ የደንበኛ ስሞች አንድ WER ይሰጣሉ፣ ግን ተመሳሳይ ችግር አይደሉም።
  2. ውጤቶችን ይመዝግቡ መሣሪያዎችን ወይም ቅንብሮችን ለማነጻጸር፦
ክፍል ሁኔታ የማጣቀሻ ቃላት S D I WER አስፈላጊ ስህተቶች
ክፍል A ጸጥ ያለ ክፍል፣ አንድ ተናጋሪ 310
ክፍል B ቪዲዮ ጥሪ፣ ሁለት ተናጋሪዎች 285
ክፍል C ካፌ፣ ዘዬ ያለው ተናጋሪ 296

የቃላት ብዛቶቹ ምሳሌ ብቻ ናቸው። በ4ኛው እርምጃ ማስጠንቀቂያ፡ የመጀመሪያው እንግሊዝኛ ጽሑፍ ደራሲዎች የOpenAI እንግሊዝኛ ኖርማላይዘርን በራሳቸው በፈጠሩት አረፍተ ነገር ሲሞክሩ «Dr.» እና «doctor»፣ «two» እና «2» አዛምዶ ነበር፣ ግን «9th» እና «ninth» እንደ ስህተት ቆጥሯል። ውጤቱን ከመተማመንዎ በፊት የተለዩትን ልዩነቶች ያንብቡ።

whispertranscribe.ai ምን ያህል ትክክል ነው?

whispertranscribe.ai በድር የሚሰራ በWhisper የተጎላበተ AI ቅየራ መሣሪያ ነው፤ 130+ ቋንቋዎችን፣ እስከ 5GB እና 10 ሰዓት ሰቀላዎችን ይደግፋል። በንጹህ ድምፅ ትክክለኛነት እስከ 99% ይደርሳል፤ ጫጫታ፣ ጠንካራ ዘዬና ተደራራቢ ንግግር ይቀንሱታል፣ የWhisper ሙከራዎች እንደሚያሳዩት። የጥናቱን ቁጥሮች እንደምናክል ወይም እንደምንበልጥ አንናገርም፣ የራሳችንንም የንጽጽር ሙከራ አላተምንም፤ የራስዎን ቅጂ በከላይ እርምጃዎች ይፈትሹ።

ያለ አካውንት በነፃ መጀመር ይችላሉ። የክፍያ እቅዶች ከወር $9.99 በዓመት ክፍያ ይጀምራሉ፤ ዋጋ ይመልከቱ።

ተደጋጋሚ ጥያቄዎች

Whisper 99% ትክክል ነው?

በአጠቃላይ አይደለም። የተሻለው የታተመ ውጤት በLibriSpeech test-clean፣ በግልጽ የተነበቡ ኦዲዮ መጽሐፎች ላይ 2.5% WER ነው፣ ወደ 97.5% ትክክል ቃላት ማለት ነው። ለስልክ ጥሪዎች፣ ስብሰባዎችና ጫጫታ ላላቸው ክፍሎች የOpenAI ቁጥሮች ወደ 13% እስከ 40% WER ይደርሳሉ። «99%» አባባል የተለካበትን ድምፅ ሲገልጽ ብቻ ትርጉም አለው። በWhisper የተገነቡ መሣሪያዎች፣ whispertranscribe.aiን ጨምሮ፣ በራስዎ ቅጂ መገምገም አለባቸው።

የትኛው የWhisper ሞዴል በጣም ትክክል ነው?

ትላልቅ ሞዴሎች በጣም ትክክል ናቸው። በOpenAI ጥናት large-v2 በአብዛኞቹ የሙከራ ስብስቦች ዝቅተኛ ስህተት ነበረው፣ የlarge-v3 ካርድም በብዙ ቋንቋዎች ከlarge-v2 10% እስከ 20% ያነሰ ስህተት ይገልጻል። turbo የተመቻቸ large-v3 ሲሆን በOpenAI መሠረት ለብዙ ፍጥነት ትንሽ ትክክለኛነት ያጣል። ትንሹ tiny በከባድ ድምፅ በጣም ያነሰ ትክክለኛ ነው፡ በጫጫታ እራት 48.0% WER፣ ከlarge-v2 24.9% ጋር።

Whisper ያልተነገሩ ቃላትን ለምን ይጽፋል?

Whisper ድምፅን ከመቀየር በተጨማሪ ሊሆን የሚችል ጽሑፍ ለመተንበይ ስለሰለጠነ ሃሉሲኔሽን ሊፈጥር ይችላል፤ የOpenAI ሞዴል ካርድም በድምፁ የሌለ ጽሑፍ ሊያወጣ እንደሚችል ያስጠነቅቃል። ብዙ ጊዜ በረዥም ዝምታ፣ ሙዚቃ ወይም ጫጫታ ይከሰታል። የ2023 ገለልተኛ ጥናት በ1% ቅጂዎች ያህል የተፈጠሩ ሐረጎችን አግኝቷል፣ ቆምታም እድሉን ጨምሯል። ዝምታን መቁረጥ፣ ቋንቋ መምረጥና የዝምታ ክፍሎችን መፈተሽ አደጋውን ይቀንሳሉ።

Whisper በዘዬ ላይ ምን ያህል ትክክል ነው?

Whisper ከብዙ የቆዩ ስርዓቶች የተሻለ ዘዬ ይይዛል፣ ግን በእኩል አይደለም። የOpenAI ካርድ በአንድ ቋንቋ ዘዬና ቀበሌኛ መካከል ትክክለኛነት እንደሚለያይ ይላል። በጥናቱ ረዥም የአፍሪካ አሜሪካዊ እንግሊዝኛ ቃለ መጠይቆች (CORAAL) 19.6% WER ነበራቸው፣ ሙሉ የTED ንግግሮች 3.5% ሲሆኑ፣ የቅጂ ሁኔታውም ቢለያይም። የሚታመነው አቀራረብ ከእውነተኛ ቅጂዎችዎ ጋር የሚመሳሰሉ ተናጋሪዎችን መፈተሽና ጠንካራ ዘዬ ሲኖር ተጨማሪ ግምገማ ማቀድ ነው።

Whisper እንደ ሰው ቅየራ ባለሙያ ትክክል ነው?

ለእንግሊዝኛ ቅርብ ነው ግን ከምርጦቹ ጋር አይካከልም። OpenAI በ25 ቅጂዎች ላይ ከአምስት ሙያዊ አገልግሎቶች ጋር አወዳድሮታል። በኮምፒውተር የታገዘ አገልግሎት ከWhisper 1.15 ነጥብ ዝቅተኛ WER ነበረው፣ አራት ሙሉ የሰው አገልግሎቶችም በትንሽ የነጥብ ክፍል የተሻሉ ነበሩ። ሰዎች አሁንም ስሞችን፣ ተደራራቢ ንግግርንና ያልጠራ ንግግርን በተሻለ መንገድ ይይዛሉ። ለጥቅስ፣ ለማስገባት ወይም ለህትመት ሰው ቅጂውን ከድምፁ ጋር ማረጋገጥ አለበት።

Whisper ከእንግሊዝኛ ውጭ በሌሎች ቋንቋዎች ምን ያህል ትክክል ነው?

በቋንቋ እጅግ ይለያያል። በFleurs large-v2 በስፓኒሽ 3.0% WER፣ በጀርመንኛ 4.5% እና በፈረንሳይኛ 8.3% አግኝቷል፣ በዕብራይስጥ ግን 27.1% እና በቴሉጉ 99.0%። ቻይንኛና ጃፓንኛ በቁምፊ ስህተት ይለካሉ፡ 14.7% እና 5.3%። ጥናቱ ትክክለኛነት ከቋንቋው የስልጠና ድምፅ ብዛት ጋር እንደሚዛመድ አግኝቷል። አነስተኛ ሀብት ላላቸው ቋንቋዎች አጭር ቅጂ ቀድመው ይፈትሹ፣ ለእርማትም ተጨማሪ ጊዜ ያቅዱ።

በራስዎ ቅጂ ትክክለኛነትን ይፈትሹ

የንጽጽር ውጤቶች የሌሎችን ድምፅ ይገልጻሉ። ከ130+ ቋንቋዎች በማንኛውም ክፍል ወደ whispertranscribe.ai ቅጂ ይስቀሉና በዚህ መመሪያ እርምጃዎች ይለኩት። ያለ አካውንት በነፃ ይጀምሩ ወይም እቅዶችን ያነጻጽሩ።

ተዛማጅ ጽሑፎች፦ Whisper AI ምንድን ነው? · ምርጥ ነፃ የቅየራ ሶፍትዌር · ምርጥ የTurboScribe አማራጮች · የYouTube ቪዲዮ እንዴት መቀየር ይቻላል · SRT ፋይል ምንድን ነው? · ቋሚ እና ተለዋጭ ንዑስ ርዕሶች

ምንጮች

የተቀዳ ድምፅዎን ወደ ጽሑፍ መቀየር ይፈልጋሉ?

በ whispertranscribe.ai ድምፅንና ቪዲዮን ወደ ጽሑፍ ይቀይሩ።

ወደ ጽሑፍ መቀየር ይጀምሩ ↗