Kuinka Tarkka Whisper AI On? WER, Todelliset Rajat ja Vinkit (2026)

whispertranscribe.ai:n toimitus · Päivitetty: marraskuu 2026 · Lukuaika: 13 minuuttia · Aihe: Litteroinnin tarkkuus

Kuinka tarkka Whisper on? Selkeällä luetulla englannilla OpenAI:n tutkimus raportoi Whisper large-v2:lle 2.5 %:n sanavirheprosentin (WER), eli noin 97–98 sanaa sadasta on oikein. Vaikeampi ääni tuottaa huonomman tuloksen: 13.6 % puheluissa, 24.9 % meluisalla illallisella ja 39.9 % yhdellä kaukaisella mikrofonilla tallennetussa kokouksessa.

Whisper on OpenAI:n avoin puheentunnistusmalli ja monen litterointisovelluksen, myös omamme, moottori. Opas käsittelee vain tarkkuutta: mitä WER mittaa, mitä testit kertovat äänityypeistä ja kielistä, missä Whisper epäonnistuu ja miten testaat itse. Mallin taustasta katso mikä Whisper AI on.

Useimmat luvut ovat Whisper-tutkimuksesta (Radford ym., 2022), jossa jokainen malli testattiin ”zero-shot” eli hienosäätämättä testiaineistoihin. Uudempi large-v3-mallikortti raportoi 10–20 % vähemmän virheitä kuin large-v2 monilla kielillä, mutta ei täyttä aineistokohtaista taulukkoa. Artikkelin julkaisee whispertranscribe.ai. Emme tehneet sille vertailutestiä, eikä mikään luku ole oma testituloksemme.

Whisperin tarkkuus yhdellä silmäyksellä

Yksi testiaineisto ei vastaa kysymykseen, koska ääni vaikuttaa lukuun eniten. Taulukko näyttää OpenAI:n large-v2-tulokset beam search- ja temperature fallback -menetelmillä (liitteen taulukko 9), OpenAI:n tekstinormalisoinnin jälkeen.

Äänityyppi Tutkimuksen testiaineisto Whisper large-v2 WER Arvio oikeiden sanojen osuudesta
Äänikirja, selkeä lukija LibriSpeech test-clean 2.5% Noin 97.5 sadasta
Luettu uutisteksti WSJ 2.6% Noin 97.4 sadasta
TED-puheet TED-LIUM 3 3.7% Noin 96 sadasta
Äänikirja, vaikeammat puhujat LibriSpeech test-other 4.9% Noin 95 sadasta
Vapaaehtoiset kotimikrofoneilla Common Voice 5.1 8.2% Noin 92 sadasta
Puhelinkeskustelut Switchboard 13.6% Noin 86 sadasta
Pitkät sosiolingvistiset haastattelut CORAAL 14.2% Noin 86 sadasta
Perheen ja ystävien puhelut CallHome 16.4% Noin 84 sadasta
Kokoukset, jokaisella sankamikrofoni AMI IHM 17.4% Noin 83 sadasta
Illalliset, kaukomikrofonit CHiME-6 24.9% Noin 75 sadasta
Kokoukset, yksi kaukainen pöytämikrofoni AMI SDM1 39.9% Noin 60 sadasta

”Oikeiden sanojen osuus” on 100 miinus WER, mikä on vain likiarvo, sillä WER laskee myös lisätyt sanat.

Usein mainittu 2.7 % on sama malli yksinkertaisemmalla greedy-dekoodauksella (tutkimuksen taulukko 2). AMI-rivit ovat myös samat kokoukset kahdella tavalla tallennettuina. Mikrofonin siirtäminen kunkin puhujan päästä pöydän keskelle yli kaksinkertaistaa virheprosentin.

Mikä on sanavirheprosentti (WER) ja miten se lasketaan?

WER kuvaa litteroinnin virheitä ihmisen tarkistamaan vertailutekstiin nähden. Laske kolme virhetyyppiä ja jaa vertailutekstin sanojen määrällä:

WER = (korvaukset + poistot + lisäykset) ÷ vertailutekstin sanat

  • Korvaus: oikean sanan tilalla on väärä sana (”lunch” sanan ”launch” sijaan).
  • Poisto: puhuttu sana puuttuu litteroinnista.
  • Lisäys: litteroinnissa on sana, jota kukaan ei sanonut.

Tässä itse laadittu esimerkki, jonka voi arvioida avoimen lähdekoodin jiwer-kirjastolla:

Rivi Teksti
Vertailu (22 sanaa) siirsimme tuotteen julkaisun yhdeksännelle maaliskuuta koska toimittaja myöhästyi kahdesta määräajasta ja tohtori patel haluaa uuden testisuunnitelman heti tämän viikon aikana ennen kokousta
Litterointi siirsimme tuotteen lounaan yhdeksännelle maaliskuuta koska toimittaja myöhästyi kahdesta määräajasta tohtori badal haluaa uuden testisuunnitelman heti tämän viikon aikana ennen kokousta tänään
Virheet 2 korvausta (lounaan, badal), 1 poisto (ja), 1 lisäys (tänään)
WER 4 ÷ 22 = 18.2%

Kolme WER:n ominaisuutta yllättää usein:

  1. Se voi ylittää 100 %. Lisäyksillä ei ole ylärajaa, ja muutama vähäresurssinen kieli tutkimuksen Fleurs-tuloksissa ylittää 100 %.
  2. Normalisointi muuttaa tulosta. ”Dr.” ja ”doctor” lasketaan virheeksi, ellei molempia tekstejä puhdisteta samoin. OpenAI:n mukaan normalisointi pienensi WER:ää joissakin aineistoissa jopa 50 %, lähinnä poistamalla muotoilueroja.
  3. Jotkin kielet käyttävät merkkivirheprosenttia (CER). Kiinalle, japanille, thaille, laolle ja burmalle, joissa sanoja ei eroteta välilyönnein, tutkimus arvioi merkit.

Tarkkuusväite ilman nimettyä testiaineistoa ja arviointimenetelmää ei ole mittaus, esittäjästä riippumatta, meidät mukaan lukien.

Kuinka tarkka Whisper on englanniksi?

Whisper on hyvin tarkka selkeällä englannilla ja käyttökelpoinen myös sotkuisessa äänessä. Tutkimuksessa se teki 12 muulla englanninkielisellä aineistolla 55.2 % vähemmän virheitä kuin ohjatusti koulutettu wav2vec 2.0 -malli, jolla oli lähes sama LibriSpeech-tulos.

Pitkät tallenteet

Whisper lukee ääntä 30 sekunnin ikkunoissa, joten tutkimus testasi pitkät tiedostot erikseen (liitteen taulukko 16, large-v2):

Pitkä testiaineisto Sisältö WER
TED-LIUM 3 11 kokonaista TED-puhetta 3.5%
Meanwhile 64 myöhäisillan televisio-osuutta, paljon epätavallisia sanoja 5.1%
Kincaid46 46 sekalaista tallennetta vuoden 2018 vertailusta 8.8%
Earnings-21 Yritysten tulospuhelut 9.7%
Rev16 16 podcast-jaksoa 11.3%
Earnings-22 Lisää tulospuheluita, monia aksentteja 12.6%
CORAAL 231 täyttä haastattelua afroamerikkalaisella englannilla 19.6%

Whisper ja ihmislitteroijat

OpenAI teetti 25 Kincaid46-tallenteen litteroinnit neljällä ihmispalvelulla ja yhdellä tietokoneavusteisella palvelulla. Tietokoneavusteinen palvelu sai 1.15 prosenttiyksikköä Whisperiä paremman tuloksen ja täysin ihmisten tekemät palvelut vain murto-osan pisteestä paremman. Tutkimuksen arvio: ei täydellinen, mutta hyvin lähellä ihmisen tarkkuutta.

Mallin koolla on merkitystä

Whisperistä on useita kokoja, eivätkä sovellukset aina kerro käyttämäänsä mallia (liitteen taulukko 9):

Malli Parametrit 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%

Ero kasvaa äänen vaikeutuessa: noin 4 pistettä selkeissä äänikirjoissa ja 23 pistettä illallisella. Uudempi turbo, optimoitu large-v3, hyväksyy OpenAI:n GitHub README:n mukaan vähäisen tarkkuuden heikkenemisen vastineeksi paljon nopeammasta litteroinnista.

Kuinka tarkka Whisper on muilla kielillä?

Englannin ulkopuolella tarkkuus riippuu pääosin siitä, kuinka paljon kyseisen kielen koulutusääntä Whisperillä oli. Tutkimuksessa koulutustuntien ja WER:n logaritmien neliöity korrelaatio oli 0,83, ja WER:n arvioitiin puolittuvan aina datan määrän kasvaessa 16-kertaiseksi. Useimmilla 96 muusta kielestä oli alle 1 000 tuntia.

Valittuja Fleurs-tuloksia (luettuja lauseita, large-v2, liitteen taulukko 13):

Kieli Fleurs-WER Huomautus
Espanja 3.0% Taulukon pienin
Englanti 4.2%
Portugali 4.3%
Saksa 4.5%
Japani 5.3% Merkkivirheaste
Venäjä 5.6%
Ranska 8.3%
Korea 14.3% Poikkeava tulos
Kiina 14.7% Merkkivirheaste
Arabia 16.0%
Hindi 21.5%
Heprea 27.1% Poikkeava tulos
Swahili 39.3%
Telugu 99.0% Poikkeava tulos

Tutkimuksen mukaan heprean, telugun, kiinan ja korean tulokset olivat koulutusdatan perusteella odotettua huonompia. Syynä voivat olla kielten erilaisuus, kirjoitusjärjestelmiin huonosti sopiva tokenisointi tai datan laatu. Fleurs sisältää luettua puhetta, joten keskustelussa virheitä voi odottaa enemmän. README sisältää uudemman kaavion large-v3:n ja large-v2:n tuloksista Common Voice 15- ja Fleurs-aineistoissa.

Espanjan tulokset ovat lupaavia, jos litteroit espanjankielistä ääntä tekstiksi. Testaa vähäresurssisten kielten kohdalla ensin lyhyt näyte ennen koko projektia.

Mikä vaikuttaa Whisperin tarkkuuteen?

Äänitysolosuhteet ovat tärkein tekijä. Tutkimuksen ja mallikortin näyttöä:

Tekijä Mitä näyttö osoittaa Mitä tehdä
Taustamelu Pubimelussa, kun signaali-kohinasuhde oli alle 10 dB, Whisper päihitti kaikki 14 vertailumallia, mutta jokaisen tulos heikkeni melun lisääntyessä Äänitä hiljaisessa huoneessa, poissa tuulettimien ja musiikin läheltä
Mikrofonin etäisyys Samat AMI-kokoukset: 17.4% kuulokemikrofoneilla, 39.9% yhdellä pöytämikrofonilla Pidä mikrofoni lähellä puhujaa
Keskustelu ja päällekkäinen puhe Puheluissa ja illalliskeskusteluissa 13.6–24.9%, luetussa puheessa 2.5% Yksi puhuja kerrallaan; yksi mikrofoni puhujaa kohti
Aksentit ja murteet Mallikortin mukaan tarkkuus vaihtelee aksenttien ja murteiden välillä; pitkien CORAAL-haastattelujen tulos oli 19.6% Testaa puhujilla, jotka kuulostavat omien äänitteidesi puhujilta
Harvinaiset sanat ja erikoissanasto Hyvä tulos erikoissanastoa sisältävässä Meanwhile-aineistossa (5.1%), mutta nimet ja tekniset termit aiheuttavat yhä virheitä Tarkista nimet ja termit luettelosta
Kielen resurssit Fleurs-WER vaihtelee 3.0%:sta (espanja) 99.0%:iin (telugu) Valitse kieli itse ja varaa vähäresurssisille kielille enemmän tarkistusaikaa
Mallin koko tiny saa CHiME-6:ssa 48.0%, large-v2 24.9% Kysy työkalun käyttämää mallia tai käytä suurinta mahdollista
Tiedostomuoto ja näytteenottotaajuus Whisperin koodi muuntaa kaiken äänen 16 kHz:n monoääneksi 48 kHz:n WAV ei tuo etua puhtaaseen 16 kHz:n tiedostoon verrattuna

MP3:n muuntaminen suureksi WAV-tiedostoksi ei palauta menetettyjä yksityiskohtia. Puhdas, kohtuullisella bittinopeudella tehty äänite on parempi kuin kohinainen korkealla bittinopeudella tehty äänite.

Whisperin tunnetut ongelmat: hallusinaatiot, toisto ja aikaleimat

OpenAI dokumentoi nämä virhetyypit, joiden merkitys voi olla suurempi kuin niiden osuus WER-arvosta antaa ymmärtää.

Keksitty teksti

Whisper voi kirjoittaa sanoja, joita kukaan ei sanonut. Mallikortin mukaan ennusteissa voi esiintyä tekstiä, jota ei puhuta äänitteellä, mahdollisesti siksi, että malli ennustaa myös todennäköisiä seuraavia sanoja. Tutkimuksen rajoituksissa mainitaan myös täydellinen hallusinaatio eli ääneen liittymätön tuloste.

Riippumattomassa Careless Whisper -tutkimuksessa (Koenecke ym., 2024) käsiteltiin 13 140 äänisegmenttiä OpenAI:n Whisper API:lla huhti–toukokuussa 2023. Noin 1% litteroinneista (keskimäärin 1.4%) sisälsi kokonaisia keksittyjä ilmauksia tai lauseita, ja niistä 38% sisälsi haitallista sisältöä, kuten väkivaltaa tai virheellisiä yhteyksiä. Pitkät tauot lisäsivät niitä; tutkimuksessa tällaisia puhujia olivat afasiaa sairastavat henkilöt. API on sittemmin muuttunut, joten kyseessä on vuoden 2023 mittaus.

Toistosilmukat ja pois jäävät sanat

Mallikortin mukaan Whisper tuottaa herkästi toistuvaa tekstiä. Beam search ja lämpötilan aikataulutus vähentävät ongelmaa, mutta eivät poista sitä kokonaan. Tutkimus mainitsee myös segmentin ensimmäisten tai viimeisten sanojen poisjäämisen. Dekoodauksen korjaukset pienensivät pitkän äänen keskimääräisen WER:n 11.0%:sta 10.0%:iin, mutta ongelma jäi jäljelle.

Hiljaisuus, musiikki ja täytesanat

Keksittyä tekstiä esiintyy usein pitkien hiljaisten jaksojen ja musiikin aikana. Tutkimuksessa Whisperin oma puheettomuussignaali ei yksin ollut luotettava, ja avoimen lähdekoodin versiossa on nykyään mahdollisuus ohittaa pitkät hiljaisuudet, kun todennäköinen hallusinaatio havaitaan.

Aikaleimojen siirtyminen ja pitkät tiedostot

Whisper käsittelee pitkää ääntä 30 sekunnin ikkunoissa ja sijoittaa seuraavan ikkunan itse ennustamiensa aikaleimojen perusteella. Tutkimuksen mukaan yhden ikkunan virhe voi siksi siirtyä seuraavaan. Sanakohtaiset aikaleimat on merkitty koodissa kokeellisiksi. Tarkista tekstitysten ajoitus etenkin taukojen ympäriltä.

Kehityksen aikana OpenAI havaitsi myös, että Whisper arvasi puhujien nimiä lähes aina väärin. Julkaistuja malleja hienosäädettiin ongelman vähentämiseksi, mutta tekstissä esiintyvät nimet kannattaa tarkistaa.

10 tapaa parantaa Whisper-litteroinnin tarkkuutta

Suurin osa parannuksista tehdään ennen litterointia. Keinot ovat suunnilleen vaikutuksen mukaisessa järjestyksessä:

  1. Aseta mikrofoni lähelle. Pelkkä etäisyys yli kaksinkertaisti virheasteen AMI-kokouksissa.
  2. Vähennä melua lähteellä. Sulje ikkunat ja tuulettimet ja pysäytä musiikki.
  3. Vältä päällekkäistä puhetta. Yksi puhuja kerrallaan auttaa enemmän kuin asetusten muuttaminen.
  4. Leikkaa pitkät hiljaisuudet ja musiikkialut, joissa keksittyä tekstiä esiintyy usein. Leikkaa taukojen kohdalta, älä kesken lausetta.
  5. Aseta kieli itse. Whisper tunnisti kielen oikein 80.3%:ssa tapauksista 82 Fleurs-kielen joukossa, joten automaattinen tunnistus voi epäonnistua lyhyissä tai aksentillisissa näytteissä.
  6. Käytä suurinta saatavilla olevaa mallia, etenkin meluisille äänitteille.
  7. Anna nimet ja termit kehotteessa, jos ylläpidät mallia itse. Avoimen lähdekoodin Whisper hyväksyy odotetut kirjoitusasut parametrissa --initial_prompt.
  8. Lataa alkuperäinen tiedosto. Äänen nauhoittaminen uudelleen kaiuttimista tai toistuva pakkaaminen hävittää yksityiskohtia.
  9. Tarkista termit. Etsi jokainen nimi, numero, päivämäärä ja lyhenne ja vertaa niitä ääneen.
  10. Tarkista kahdessa vaiheessa. Korjaa ensin virheet normaalinopeudella. Etsi sitten hallusinaation merkkejä: toistuvia rivejä, hiljaisuuden päälle ilmestyviä lauseita ja lopetuksia kuten ”Kiitos katselusta.” Oikeudellisissa, lääketieteellisissä tai julkaistavissa töissä ihmisen tulee tarkistaa kaikki.

Whisperin tarkkuuden mittaaminen omalla äänellä

Paras arvio omaan työhön saadaan noin 30 minuutin testillä omista äänitteistä. Seuraavat vaiheet ovat itse tehtäväksi; kyse ei ole whispertranscribe.ai:n testistä.

  1. Valitse kolme 2 minuutin näytettä, jotka vastaavat työtäsi: helppo, tyypillinen ja vaikea.
  2. Kirjoita vertailulitterointi käsin sana sanalta. Päätä ensin esimerkiksi, säilytetäänkö täytesanat ja kirjoitetaanko numerot numeroina vai sanoina.
  3. Litteroi kukin näyte testattavalla työkalulla ja tallenna pelkkänä tekstinä.
  4. Normalisoi molemmat tekstit samalla tavalla. OpenAI:n normalisointityökalu sisältyy openai-whisper-pakettiin.
  5. Laske WER jiwer-kirjastolla:
# 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. Laske kriittiset virheet erikseen. Viisi väärää täytesanaa ja viisi väärää asiakkaan nimeä tuottavat saman WER:n, mutta niiden merkitys on eri.
  2. Kirjaa tulokset, jotta voit vertailla työkaluja tai asetuksia:
Näyte Olosuhteet Vertailun sanat S D I WER Kriittiset virheet
Näyte A Hiljainen huone, yksi puhuja 310
Näyte B Videopuhelu, kaksi puhujaa 285
Näyte C Kahvila, aksentillinen puhuja 296

Sanamäärät ovat esimerkkejä. Vaiheessa 4 on huomioitava, että englanninkielinen normalisointi voi käsitellä lyhenteitä ja numeroiden kirjoitusasuja eri tavoin. Tarkista merkityt erot ennen kuin luotat tulokseen.

Kuinka tarkka whispertranscribe.ai on?

whispertranscribe.ai on verkkopohjainen Whisperiin perustuva tekoälylitterointityökalu, joka tukee yli 130 kieltä ja enintään 5 GB:n ja 10 tunnin latauksia. Selkeällä äänellä tarkkuus voi olla jopa 99%; taustamelu, vahvat aksentit ja päällekkäinen puhe heikentävät sitä, kuten yllä olevat Whisperin vertailut osoittavat. Emme väitä vastaavamme tai ylittävämme tutkimuksen lukuja emmekä ole julkaisseet omaa vertailutestiä, joten testaa omat näytteesi yllä olevilla vaiheilla.

  • Noise / Low-Quality Audio/Video -vaihtoehdot kielivalikossa monille kielille. Kokeile meluisalla tiedostolla sekä tavallista että meluvaihtoehtoa ja vertaa.
  • Yli 130 kieltä, Multilingual Mix -vaihtoehto ja äänen kääntäminen englanniksi.
  • Enintään 5 GB:n ja 10 tunnin tiedostot, puhujantunnistus ja aikaleimat (kaikki ominaisuudet).
  • Puhdas lähdeääni: hanki tarvittavat suostumukset ja mahdollinen järjestäjän lupa ja äänitä selaimessa mikrofoni lähellä tai muunna video MP3:ksi, jotta lataat vain äänen.
  • Vienti DOCX-, PDF-, TXT-, CSV-, SRT- ja VTT-muotoon sekä tekstitysgeneraattori ajoitettuja tekstityksiä varten.

Voit aloittaa ilmaiseksi ilman tiliä. Maksulliset tilaukset alkavat hinnasta 9,99 $/kk vuosilaskutuksella; katso hinnasto.

Usein kysytyt kysymykset

Onko Whisperin tarkkuus 99%?

Ei yleisesti. Whisperin paras julkaistu tulos on 2.5%:n sanavirheaste LibriSpeech test-clean -aineistossa, joka sisältää selkeästi luettuja äänikirjoja. Tämä vastaa noin 97.5%:n oikeiden sanojen osuutta. Puheluissa, kokouksissa ja meluisissa huoneissa OpenAI:n omat WER-luvut vaihtelevat noin 13%:sta 40%:iin. ”99%” on mielekäs väite vain, jos mitattu ääni on määritelty. Arvioi Whisperiin perustuvat työkalut, myös whispertranscribe.ai, omilla äänitteilläsi otsikon prosenttiluvun sijaan.

Mikä Whisper-malli on tarkin?

Large-mallit ovat tarkimpia. OpenAI:n tutkimuksessa large-v2:n virheaste oli useimmissa testiaineistoissa pienin, ja large-v3:n mallikortti ilmoittaa 10–20% vähemmän virheitä kuin large-v2:lla monilla kielillä. Turbo on optimoitu large-v3, jonka tarkkuus OpenAI:n mukaan heikkenee vain hieman huomattavasti suurempaa nopeutta vastaan. Pienin tiny-malli on vaikealla äänellä selvästi epätarkempi: meluisalla illallisella WER oli 48.0%, large-v2:lla 24.9%.

Miksi Whisper kirjoittaa sanoja, joita ei sanottu?

Whisper voi hallusinoida, koska sitä on opetettu myös ennustamaan todennäköistä tekstiä, ja OpenAI:n mallikortti varoittaa äänitteeseen kuulumattomasta tekstistä. Tätä tapahtuu etenkin pitkän hiljaisuuden, musiikin tai melun aikana. Vuoden 2023 riippumattomassa tutkimuksessa keksittyjä ilmauksia oli noin 1%:ssa litteroinneista, ja tauot lisäsivät todennäköisyyttä. Hiljaisuuden leikkaaminen, kielen asettaminen ja hiljaisten kohtien tarkistaminen vähentävät riskiä.

Kuinka tarkka Whisper on aksenttien kanssa?

Whisper käsittelee aksentteja monia vanhempia järjestelmiä paremmin, mutta ei tasaisesti. OpenAI:n mallikortin mukaan tarkkuus vaihtelee saman kielen aksenttien ja murteiden välillä. Tutkimuksessa pitkien afroamerikkalaisen englannin haastattelujen (CORAAL) WER oli 19.6%, kun kokonaisten TED-puheiden tulos oli 3.5%; myös äänitysolosuhteet eroavat. Testaa omia äänitteitäsi vastaavilla puhujilla ja varaa vahvojen aksenttien kohdalla enemmän tarkistusaikaa.

Onko Whisper yhtä tarkka kuin ihmislitteroija?

Englannissa Whisper pääsee lähelle parhaita, mutta ei niiden tasolle. OpenAI vertasi sitä viiteen ammattilaispalveluun 25 äänitteellä. Tietokoneavusteisen palvelun kokonais-WER oli 1.15 prosenttiyksikköä Whisperiä pienempi, ja neljä täysin ihmistyöhön perustuvaa palvelua olivat murto-osan prosenttiyksiköstä parempia. Ihmiset käsittelevät yhä usein nimet, päällekkäisen puheen ja epäselvän puheen paremmin. Lainattava, virallisesti toimitettava tai julkaistava litterointi tulee tarkistaa äänitettä vasten.

Kuinka tarkka Whisper on muilla kielillä kuin englanniksi?

Tarkkuus vaihtelee huomattavasti. Fleurs-testissä large-v2:n WER oli espanjassa 3.0%, saksassa 4.5% ja ranskassa 8.3%, mutta hepreassa 27.1% ja telugussa 99.0%. Kiinan ja japanin merkkivirheasteet olivat 14.7% ja 5.3%. Tutkimuksen mukaan tarkkuus seuraa kunkin kielen koulutusäänen määrää. Testaa vähäresurssisilla kielillä ensin lyhyt näyte ja varaa enemmän aikaa korjauksiin.

Testaa tarkkuus omalla äänitteelläsi

Vertailut kuvaavat muiden ihmisten äänitteitä. Lataa näyte whispertranscribe.ai-palveluun millä tahansa yli 130 kielestä ja arvioi tulos tämän oppaan vaiheilla. Aloita ilmaiseksi ilman tiliä tai vertaile tilauksia.

Aiheeseen liittyvät artikkelit: Mikä Whisper AI on? · Parhaat ilmaiset litterointiohjelmat · Parhaat TurboScribe-vaihtoehdot · YouTube-videon litterointi · Mikä SRT-tiedosto on? · Kiinteät ja erilliset tekstitykset

Lähteet

Haluatko muuntaa tallenteesi tekstiksi?

Litteroi ääntä ja videota palvelussa whispertranscribe.ai.

Aloita litterointi ↗