लेखक: whispertranscribe.ai संपादकीय टीम · अंतिम अपडेट: नवंबर 2026 · पढ़ने का समय: 13 मिनट · श्रेणी: ट्रांसक्रिप्शन सटीकता
Whisper कितना सटीक है? साफ़ पढ़ी गई अंग्रेज़ी पर OpenAI के शोधपत्र में Whisper large-v2 की शब्द त्रुटि दर (WER) 2.5% है, यानी 100 में लगभग 97 से 98 शब्द सही हैं। कठिन ऑडियो का परिणाम खराब है: फ़ोन कॉल पर 13.6%, शोर भरी डिनर पार्टी पर 24.9% और एक दूर के माइक्रोफ़ोन से रिकॉर्ड मीटिंग पर 39.9%।
Whisper OpenAI का ओपन-सोर्स स्पीच रिकग्निशन मॉडल है और हमारे सहित कई ट्रांसक्रिप्शन ऐप का इंजन है। यह गाइड सिर्फ़ सटीकता पर है: WER क्या मापता है, ऑडियो प्रकार और भाषा के अनुसार बेंचमार्क क्या कहते हैं, Whisper कहाँ विफल होता है और स्वयं परीक्षण कैसे करें। मॉडल की पृष्ठभूमि के लिए Whisper AI क्या है देखें।
अधिकांश आँकड़े Whisper शोधपत्र (Radford और सहलेखक, 2022) से हैं, जिसने हर मॉडल को परीक्षण सेट पर फ़ाइन-ट्यूनिंग के बिना “ज़ीरो-शॉट” जाँचा। नया large-v3 मॉडल कार्ड कई भाषाओं में large-v2 से 10% से 20% कम त्रुटियाँ बताता है, लेकिन हर डेटासेट की पूरी तालिका नहीं देता। यह लेख whispertranscribe.ai प्रकाशित करता है। हमने इसके लिए बेंचमार्क नहीं चलाया और यहाँ कोई संख्या हमारा परीक्षण परिणाम नहीं है।
Whisper सटीकता एक नज़र में
एक परीक्षण सेट प्रश्न का पूरा जवाब नहीं देता क्योंकि ऑडियो संख्या पर सबसे अधिक असर डालता है। तालिका में beam search और temperature fallback के साथ large-v2 के OpenAI नतीजे हैं (परिशिष्ट तालिका 9), OpenAI टेक्स्ट नॉर्मलाइज़र के बाद स्कोर किए गए।
| ऑडियो प्रकार | शोधपत्र का परीक्षण सेट | Whisper large-v2 WER | सही शब्दों का अनुमानित हिस्सा |
|---|---|---|---|
| ऑडियोबुक, स्पष्ट पाठक | LibriSpeech test-clean | 2.5% | 100 में लगभग 97.5 |
| पढ़ा हुआ समाचार | WSJ | 2.6% | 100 में लगभग 97.4 |
| TED वार्ता | TED-LIUM 3 | 3.7% | 100 में लगभग 96 |
| ऑडियोबुक, कठिन वक्ता | LibriSpeech test-other | 4.9% | 100 में लगभग 95 |
| घर के माइक्रोफ़ोन पर स्वयंसेवक | Common Voice 5.1 | 8.2% | 100 में लगभग 92 |
| फ़ोन बातचीत | Switchboard | 13.6% | 100 में लगभग 86 |
| लंबे समाजभाषावैज्ञानिक इंटरव्यू | CORAAL | 14.2% | 100 में लगभग 86 |
| परिवार और दोस्तों की फ़ोन कॉल | CallHome | 16.4% | 100 में लगभग 84 |
| मीटिंग, हर व्यक्ति पर हेडसेट माइक्रोफ़ोन | AMI IHM | 17.4% | 100 में लगभग 83 |
| डिनर पार्टी, दूर के माइक्रोफ़ोन | CHiME-6 | 24.9% | 100 में लगभग 75 |
| मीटिंग, मेज़ पर एक दूर का माइक्रोफ़ोन | AMI SDM1 | 39.9% | 100 में लगभग 60 |
“सही शब्दों का हिस्सा” 100 में से WER घटाकर निकाला गया अनुमान है, क्योंकि WER अतिरिक्त शब्दों को भी गिनता है।
अक्सर 2.7% उद्धृत होता है: वह इसी मॉडल का सरल greedy decoding वाला परिणाम है (शोधपत्र की तालिका 2)। AMI की दोनों पंक्तियाँ एक ही मीटिंग दो तरीकों से रिकॉर्ड करती हैं। हर वक्ता के सिर से माइक्रोफ़ोन मेज़ के बीच रखने पर त्रुटि दर दोगुने से अधिक हो जाती है।
शब्द त्रुटि दर (WER) क्या है और कैसे गिनते हैं?
शब्द त्रुटि दर मानव-जाँचे संदर्भ की तुलना में ट्रांसक्रिप्ट के गलत शब्दों का हिस्सा है। तीन तरह की त्रुटियाँ गिनें और संदर्भ के शब्दों से भाग दें:
WER = (प्रतिस्थापन + छूटे शब्द + जोड़े गए शब्द) ÷ संदर्भ के शब्द
- प्रतिस्थापन: सही की जगह गलत शब्द (“launch” यानी लॉन्च की जगह “lunch” यानी दोपहर का भोजन)।
- छूटा शब्द: बोला गया शब्द जो ट्रांसक्रिप्ट में नहीं है।
- जोड़ा गया शब्द: ट्रांसक्रिप्ट में शब्द जो किसी ने नहीं कहा।
यह स्वयं बनाया उदाहरण है, जिसे ओपन-सोर्स jiwer लाइब्रेरी से स्कोर किया गया। संदर्भ का अर्थ है: “हमने उत्पाद लॉन्च नौ मार्च तक टाला क्योंकि विक्रेता दो समय-सीमाएँ चूक गया और डॉक्टर पटेल नई परीक्षण योजना चाहते हैं।” ट्रांसक्रिप्ट में लॉन्च और पटेल बदले, एक शब्द छूटा और “आज” जुड़ा:
| पंक्ति | टेक्स्ट |
|---|---|
| संदर्भ (22 शब्द) | we moved the product launch to march ninth because the vendor missed two deadlines and doctor patel wants a new test plan |
| ट्रांसक्रिप्ट | we moved the product lunch to march ninth because vendor missed two deadlines and doctor battle wants a new test plan today |
| त्रुटियाँ | 2 प्रतिस्थापन (lunch, battle), 1 छूटा शब्द (the), 1 जोड़ा शब्द (today) |
| WER | 4 ÷ 22 = 18.2% |
WER की तीन बातें लोगों को चौंकाती हैं:
- यह 100% से ऊपर जा सकता है। जोड़े गए शब्दों की कोई सीमा नहीं और शोधपत्र के Fleurs नतीजों में कुछ कम संसाधन वाली भाषाएँ 100% से ऊपर हैं।
- नॉर्मलाइज़ेशन स्कोर बदलता है। “Dr.” और “doctor” को त्रुटि माना जाता है जब तक दोनों टेक्स्ट समान तरीके से साफ़ न हों। OpenAI कहता है कि उसके नॉर्मलाइज़र ने कुछ डेटासेट पर WER 50% तक घटाया, मुख्यतः फ़ॉर्मैट अंतर हटाकर।
- कुछ भाषाएँ कैरेक्टर त्रुटि दर (CER) इस्तेमाल करती हैं। चीनी, जापानी, थाई, लाओ और बर्मी में शब्द स्पेस से अलग नहीं होते, इसलिए शोधपत्र अक्षरों को स्कोर करता है।
नामित परीक्षण सेट और स्कोरिंग विधि के बिना सटीकता का दावा माप नहीं है, चाहे वह कोई भी करे, हम भी।
अंग्रेज़ी में Whisper कितना सटीक है?
Whisper साफ़ अंग्रेज़ी पर बहुत सटीक है और अव्यवस्थित अंग्रेज़ी पर उपयोग योग्य रहता है। शोधपत्र में लगभग समान LibriSpeech स्कोर वाले supervised wav2vec 2.0 मॉडल की तुलना में अन्य 12 अंग्रेज़ी डेटासेट पर उसने 55.2% कम त्रुटियाँ कीं।
लंबी रिकॉर्डिंग
Whisper ऑडियो 30 सेकंड की विंडो में पढ़ता है, इसलिए शोधपत्र ने लंबी फ़ाइलें अलग जाँचीं (परिशिष्ट तालिका 16, large-v2):
| लंबा परीक्षण सेट | इसमें क्या है | WER |
|---|---|---|
| TED-LIUM 3 | 11 पूरी TED वार्ताएँ | 3.5% |
| Meanwhile | देर रात TV के 64 हिस्से, बहुत असामान्य शब्द | 5.1% |
| Kincaid46 | 2018 तुलना की 46 मिश्रित रिकॉर्डिंग | 8.8% |
| Earnings-21 | कंपनियों की आय संबंधी कॉल | 9.7% |
| Rev16 | 16 पॉडकास्ट एपिसोड | 11.3% |
| Earnings-22 | और आय संबंधी कॉल, कई लहजे | 12.6% |
| CORAAL | अफ़्रीकी अमेरिकी अंग्रेज़ी में 231 पूरे इंटरव्यू | 19.6% |
Whisper बनाम मानव ट्रांसक्राइबर
OpenAI ने 25 Kincaid46 रिकॉर्डिंग चार मानव सेवाओं और एक कंप्यूटर-सहायता सेवा से ट्रांसक्राइब कराईं। कंप्यूटर-सहायता सेवा का स्कोर Whisper से 1.15 प्रतिशत अंक बेहतर था, और पूरी तरह मानव सेवाएँ केवल एक अंक के अंश भर बेहतर थीं। शोधपत्र का निष्कर्ष: पूर्ण नहीं, लेकिन मानव स्तर की सटीकता के बहुत करीब।
मॉडल का आकार मायने रखता है
Whisper कई आकारों में आता है और ऐप हमेशा नहीं बताते कि कौन-सा चलाते हैं (परिशिष्ट तालिका 9):
| मॉडल | पैरामीटर | 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% |
ऑडियो कठिन होने पर अंतर बढ़ता है: साफ़ ऑडियोबुक पर लगभग 4 अंक, डिनर पार्टी पर 23 अंक। नया turbo मॉडल, एक अनुकूलित large-v3, बहुत तेज़ ट्रांसक्रिप्शन के लिए OpenAI के GitHub README के अनुसार सटीकता में न्यूनतम गिरावट स्वीकार करता है।
अन्य भाषाओं में Whisper कितना सटीक है?
अंग्रेज़ी के बाहर सटीकता मुख्यतः इस बात पर निर्भर है कि Whisper के पास उस भाषा का कितना प्रशिक्षण ऑडियो था। शोधपत्र ने लॉग प्रशिक्षण घंटे और लॉग WER के बीच 0.83 का वर्ग सहसंबंध पाया और अनुमान लगाया कि डेटा के हर 16 गुना बढ़ने पर WER आधा होता है। 96 गैर-अंग्रेज़ी भाषाओं में अधिकांश के पास 1,000 घंटे से कम थे।
चुनिंदा Fleurs नतीजे (पढ़े वाक्य, large-v2, परिशिष्ट तालिका 13):
| भाषा | Fleurs WER | टिप्पणी |
|---|---|---|
| स्पेनिश | 3.0% | तालिका में सबसे कम |
| अंग्रेज़ी | 4.2% | |
| पुर्तगाली | 4.3% | |
| जर्मन | 4.5% | |
| जापानी | 5.3% | कैरेक्टर त्रुटि दर |
| रूसी | 5.6% | |
| फ़्रेंच | 8.3% | |
| कोरियाई | 14.3% | असामान्य परिणाम चिह्नित |
| चीनी | 14.7% | कैरेक्टर त्रुटि दर |
| अरबी | 16.0% | |
| हिंदी | 21.5% | |
| हिब्रू | 27.1% | असामान्य परिणाम चिह्नित |
| स्वाहिली | 39.3% | |
| तेलुगु | 99.0% | असामान्य परिणाम चिह्नित |
शोधपत्र हिब्रू, तेलुगु, चीनी और कोरियाई के परिणाम प्रशिक्षण डेटा से अपेक्षित स्तर से खराब बताता है, संभवतः भाषाई दूरी, उन लिपियों के लिए अनुपयुक्त टोकनाइज़र या डेटा गुणवत्ता के कारण। Fleurs पढ़ा हुआ भाषण है, इसलिए बातचीत में अधिक त्रुटि की उम्मीद करें। README में Common Voice 15 और Fleurs पर large-v3 और large-v2 का नया चार्ट है।
यदि आप स्पेनिश ऑडियो को टेक्स्ट में ट्रांसक्राइब करते हैं तो स्पेनिश परिणाम उत्साहजनक हैं। कम संसाधन वाली भाषाओं में पूरी परियोजना शुरू करने से पहले छोटा अंश जाँचें।
Whisper की सटीकता पर क्या असर डालता है?
रिकॉर्डिंग की परिस्थितियाँ सबसे अधिक मायने रखती हैं। शोधपत्र और मॉडल कार्ड का प्रमाण:
| कारक | प्रमाण क्या दिखाता है | क्या करें |
|---|---|---|
| पृष्ठभूमि शोर | 10 dB सिग्नल-टू-नॉइज़ अनुपात से नीचे पब शोर में Whisper सभी 14 तुलना मॉडल से बेहतर था, पर शोर बढ़ने पर हर मॉडल खराब हुआ | शांत कमरे में पंखे और संगीत से दूर रिकॉर्ड करें |
| माइक्रोफ़ोन की दूरी | वही AMI मीटिंग: हेडसेट माइक्रोफ़ोन पर 17.4%, एक टेबल माइक्रोफ़ोन पर 39.9% | माइक्रोफ़ोन बोलने वाले के पास रखें |
| बातचीत और आवाज़ों का ओवरलैप | फ़ोन कॉल और डिनर पार्टी 13.6% से 24.9%, पढ़ी आवाज़ 2.5% | एक समय एक वक्ता; हर वक्ता के लिए माइक्रोफ़ोन |
| लहजे और बोलियाँ | मॉडल कार्ड लहजों और बोलियों में असमान सटीकता बताता है; लंबे CORAAL इंटरव्यू 19.6% | वास्तविक रिकॉर्डिंग जैसे वक्ताओं पर जाँचें |
| दुर्लभ शब्द और शब्दावली | शब्दावली-भारी Meanwhile सेट पर अच्छा (5.1%), फिर भी नाम और तकनीकी शब्द अक्सर गलत | नाम और शब्द सूची से जाँचें |
| भाषा संसाधन | Fleurs WER स्पेनिश 3.0% से तेलुगु 99.0% तक | भाषा स्वयं चुनें; कम संसाधन वाली भाषाओं के लिए अधिक समीक्षा रखें |
| मॉडल आकार | CHiME-6 पर tiny का 48.0%, large-v2 का 24.9% | पूछें टूल कौन-सा मॉडल चलाता है या उपलब्ध सबसे बड़ा लें |
| फ़ाइल फ़ॉर्मैट और सैंपल रेट | Whisper कोड सभी ऑडियो 16 kHz मोनो में री-सैंपल करता है | 48 kHz WAV साफ़ 16 kHz फ़ाइल से लाभ नहीं देता |
MP3 को बड़े WAV में बदलने से खोया विवरण वापस नहीं आता। मध्यम बिटरेट की साफ़ रिकॉर्डिंग ऊँचे बिटरेट की शोरयुक्त रिकॉर्डिंग से बेहतर है।
Whisper की ज्ञात समस्याएँ: हैलुसिनेशन, लूप और टाइमस्टैम्प
OpenAI इन सभी विफलताओं को दस्तावेज़ करता है; इनका असर WER में उनके हिस्से से अधिक महत्वपूर्ण हो सकता है।
गढ़ा हुआ टेक्स्ट
Whisper वे शब्द लिख सकता है जो किसी ने नहीं कहे। मॉडल कार्ड कहता है कि अनुमान में ऐसा टेक्स्ट हो सकता है जो ऑडियो में वास्तव में नहीं बोला गया, संभवतः क्योंकि मॉडल अगले संभावित शब्द भी अनुमानित करता है। शोधपत्र की सीमाएँ “पूर्ण हैलुसिनेशन” का उल्लेख भी करती हैं, यानी ऑडियो से असंबंधित परिणाम।
स्वतंत्र अध्ययन Careless Whisper (Koenecke और सहलेखक, 2024) ने अप्रैल और मई 2023 में 13,140 ऑडियो सेगमेंट OpenAI Whisper API से चलाए। लगभग 1% ट्रांसक्रिप्शन (औसतन 1.4%) में पूरे गढ़े वाक्यांश या वाक्य थे और उनमें से 38% में हिंसा या गलत संबंध जैसी हानिकारक सामग्री थी। लंबे विराम वाले वक्ताओं, इस अध्ययन में अफ़ेज़िया वाले लोगों, में यह अधिक हुआ। API तब से बदल चुका है, इसलिए इसे 2023 का माप मानें।
दोहराव लूप और छूटे शब्द
मॉडल कार्ड कहता है कि Whisper दोहराया टेक्स्ट बनाने की प्रवृत्ति रखता है, जिसे beam search और temperature scheduling घटाते हैं लेकिन पूरी तरह नहीं। शोधपत्र किसी सेगमेंट के पहले या अंतिम शब्द छोड़ने का भी उल्लेख करता है। डिकोडिंग सुधारों ने लंबी रिकॉर्डिंग का औसत WER 11.0% से 10.0% किया: सुधार हुआ, समस्या पूरी तरह हल नहीं हुई।
खामोशी, संगीत और फ़िलर
गढ़ा टेक्स्ट लंबी खामोशी और संगीत में अक्सर दिखता है। शोधपत्र ने Whisper का अपना “नो स्पीच” संकेत अकेले अविश्वसनीय पाया; ओपन-सोर्स कोड में अब संभावित हैलुसिनेशन पर लंबी खामोशी छोड़ने का विकल्प है।
टाइमस्टैम्प का खिसकना और लंबी फ़ाइलें
Whisper लंबे ऑडियो में एक बार में 30 सेकंड की विंडो से आगे बढ़ता है और अगली विंडो रखने के लिए अपने अनुमानित टाइमस्टैम्प इस्तेमाल करता है, इसलिए शोधपत्र कहता है कि एक विंडो की गलती अगली तक जा सकती है। शब्द स्तर टाइमस्टैम्प कोड में “प्रयोगात्मक” चिह्नित हैं। सबटाइटल के लिए विरामों के आसपास टाइमिंग जाँचें।
विकास के दौरान OpenAI ने Whisper को वक्ताओं के नाम अनुमान लगाते देखा जो लगभग हमेशा गलत थे। जारी मॉडल इस आदत को घटाने के लिए फ़ाइन-ट्यून हुए, फिर भी टेक्स्ट का हर नाम जाँचें।
Whisper ट्रांसक्रिप्शन सटीकता बढ़ाने के 10 तरीके
अधिकांश सुधार ट्रांसक्राइब दबाने से पहले आते हैं। मोटे तौर पर बड़े से छोटे प्रभाव के क्रम में:
- माइक्रोफ़ोन पास रखें। केवल दूरी ने AMI मीटिंग में त्रुटि दर दोगुने से अधिक कर दी।
- स्रोत पर शोर घटाएँ। खिड़कियाँ बंद करें, पंखे और संगीत बंद करें।
- एक साथ बोलने से बचें। एक समय एक व्यक्ति किसी भी सेटिंग से बेहतर है।
- लंबी खामोशी और संगीत परिचय काटें, जहाँ गढ़ा टेक्स्ट अधिक आता है। विराम पर काटें, वाक्य के बीच नहीं।
- भाषा स्वयं सेट करें। Whisper ने 82 Fleurs भाषाओं में 80.3% बार सही भाषा पहचानी, इसलिए छोटे या लहजे वाले अंश पर ऑटो-डिटेक्ट चूक सकता है।
- उपलब्ध सबसे बड़ा मॉडल लें, विशेषकर शोर वाली रिकॉर्डिंग में।
- स्वयं होस्ट करने पर प्रॉम्प्ट में नाम और शब्द दें। ओपन-सोर्स Whisper अपेक्षित वर्तनी वाला
--initial_promptस्वीकार करता है। - मूल फ़ाइल अपलोड करें। स्पीकर से दोबारा रिकॉर्ड करना या बार-बार कंप्रेस करना विवरण खोता है।
- शब्द जाँच चलाएँ। हर नाम, संख्या, तारीख और संक्षिप्त रूप खोजें और ऑडियो से सत्यापित करें।
- दो दौर में समीक्षा करें। पहले सामान्य गति पर त्रुटि ठीक करें। फिर हैलुसिनेशन के संकेत देखें: दोहराई पंक्तियाँ, खामोशी में वाक्य, “देखने के लिए धन्यवाद” जैसे समापन। कानूनी, चिकित्सा या प्रकाशित कार्य के लिए इंसान से सब जँचवाएँ।
अपने ऑडियो पर Whisper की सटीकता कैसे मापें
अपने काम का सबसे अच्छा अनुमान अपनी रिकॉर्डिंग पर 30 मिनट का परीक्षण है। ये चरण आपको स्वयं करने हैं; यह whispertranscribe.ai का परीक्षण नहीं है।
- तीन 2 मिनट के अंश चुनें जो वास्तविक काम जैसे हों: एक आसान, एक सामान्य, एक कठिन।
- हाथ से संदर्भ ट्रांसक्रिप्ट लिखें, शब्द-दर-शब्द। पहले नियम तय करें: “उम” रखें या हटाएँ, संख्याएँ अंकों या शब्दों में लिखें।
- परीक्षण वाले टूल से हर अंश ट्रांसक्राइब करें और सादा टेक्स्ट सहेजें।
- दोनों टेक्स्ट समान तरीके से नॉर्मलाइज़ करें। OpenAI का नॉर्मलाइज़र
openai-whisperके साथ आता है। - jiwer से WER निकालें:
# 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}")
- गंभीर त्रुटियाँ अलग गिनें। पाँच गलत फ़िलर और पाँच गलत ग्राहक नाम समान WER देते हैं लेकिन एक जैसी समस्या नहीं हैं।
- नतीजे दर्ज करें ताकि टूल या सेटिंग की तुलना कर सकें:
| अंश | परिस्थितियाँ | संदर्भ शब्द | S | D | I | WER | गंभीर त्रुटियाँ |
|---|---|---|---|---|---|---|---|
| अंश A | शांत कमरा, एक वक्ता | 310 | |||||
| अंश B | वीडियो कॉल, दो वक्ता | 285 | |||||
| अंश C | कैफ़े, लहजे वाला वक्ता | 296 |
शब्द संख्या उदाहरण मात्र है। चरण 4 पर सावधानी: स्रोत के उदाहरण में OpenAI का अंग्रेज़ी नॉर्मलाइज़र “Dr.” को “doctor” और “two” को “2” से मिलाता है, पर “9th” और “ninth” को त्रुटि गिनता है। हमारे परीक्षण वातावरण में Whisper CLI इंस्टॉल नहीं है, इसलिए इस उदाहरण को हमने दोबारा नहीं चलाया। स्कोर पर भरोसा करने से पहले चिह्नित अंतर पढ़ें।
whispertranscribe.ai कितना सटीक है?
whispertranscribe.ai एक वेब AI ट्रांसक्रिप्शन टूल है जो Whisper पर चलता है, 130+ भाषाओं और 5GB व 10 घंटे तक अपलोड का समर्थन करता है। साफ़ ऑडियो पर सटीकता 99% तक है; पृष्ठभूमि शोर, भारी लहजे और ओवरलैप इसे घटाते हैं, जैसा ऊपर Whisper के बेंचमार्क दिखाते हैं। हम शोधपत्र के आँकड़ों के बराबर या बेहतर होने का दावा नहीं करते और अपना बेंचमार्क प्रकाशित नहीं किया है, इसलिए ऊपर के चरणों से अपने अंश जाँचें।
- भाषा चयन में कई भाषाओं के लिए Noise / Low-Quality Audio/Video विकल्प। शोर वाली फ़ाइल में सामान्य और नॉइज़ विकल्प आज़माकर तुलना करें।
- 130+ भाषाएँ, Multilingual Mix विकल्प और ऑडियो का अंग्रेज़ी अनुवाद।
- 5GB और 10 घंटे तक फ़ाइलें, वक्ता पहचान और टाइमस्टैम्प (सभी फ़ीचर)।
- साफ़ इनपुट: पास माइक्रोफ़ोन से ब्राउज़र में रिकॉर्ड करें, या सिर्फ़ ऑडियो अपलोड करने के लिए वीडियो को MP3 में बदलें।
- DOCX, PDF, TXT, CSV, SRT और VTT में एक्सपोर्ट, साथ में टाइमिंग वाले कैप्शन के लिए सबटाइटल जनरेटर।
आप बिना खाते के मुफ़्त शुरू कर सकते हैं। भुगतान प्लान सालाना बिलिंग पर $9.99/माह से हैं; मूल्य देखें।
अक्सर पूछे जाने वाले सवाल
क्या Whisper 99% सटीक है?
आम तौर पर नहीं। Whisper का सर्वश्रेष्ठ प्रकाशित परिणाम LibriSpeech test-clean पर 2.5% WER है, स्पष्ट पढ़ी ऑडियोबुक का सेट, यानी लगभग 97.5% शब्द सही। फ़ोन कॉल, मीटिंग और शोर वाले कमरों में OpenAI के आँकड़े लगभग 13% से 40% WER हैं। “99%” दावे का अर्थ तभी है जब मापा गया ऑडियो बताया जाए। whispertranscribe.ai सहित Whisper पर बने टूल को सुर्खी वाले प्रतिशत की जगह अपनी रिकॉर्डिंग पर परखें।
Whisper का कौन-सा मॉडल सबसे सटीक है?
बड़े मॉडल सबसे सटीक हैं। OpenAI शोधपत्र में large-v2 की अधिकांश परीक्षण सेट पर सबसे कम त्रुटि दर थी और large-v3 मॉडल कार्ड कई भाषाओं में large-v2 से 10% से 20% कम त्रुटियाँ बताता है। turbo एक अनुकूलित large-v3 है जो OpenAI के अनुसार अधिक गति के बदले थोड़ी सटीकता खोता है। सबसे छोटा tiny कठिन ऑडियो पर बहुत कम सटीक है: शोर वाली डिनर पार्टी में 48.0% WER, large-v2 का 24.9%।
Whisper वे शब्द क्यों लिखता है जो बोले नहीं गए?
Whisper हैलुसिनेट कर सकता है क्योंकि उसे ध्वनि ट्रांसक्राइब करने के साथ संभावित टेक्स्ट का अनुमान लगाने पर प्रशिक्षित किया गया है; OpenAI मॉडल कार्ड ऑडियो में न होने वाला टेक्स्ट आने की चेतावनी देता है। यह लंबी खामोशी, संगीत या शोर में अक्सर होता है। 2023 के स्वतंत्र अध्ययन में लगभग 1% ट्रांसक्रिप्शन में गढ़े वाक्यांश मिले और विराम से संभावना बढ़ी। खामोशी काटना, भाषा सेट करना और शांत अंशों की समीक्षा जोखिम घटाते हैं।
अलग लहजों के साथ Whisper कितना सटीक है?
Whisper कई पुरानी प्रणालियों से लहजे बेहतर संभालता है, लेकिन समान रूप से नहीं। OpenAI मॉडल कार्ड कहता है कि एक भाषा के लहजों और बोलियों में सटीकता बदलती है। शोधपत्र में अफ़्रीकी अमेरिकी अंग्रेज़ी के लंबे CORAAL इंटरव्यू का WER 19.6% था, पूरी TED वार्ता का 3.5%, हालाँकि रिकॉर्डिंग परिस्थितियाँ भी अलग थीं। भरोसेमंद तरीका वास्तविक रिकॉर्डिंग जैसे वक्ताओं का अंश जाँचना और भारी लहजों पर अधिक समीक्षा रखना है।
क्या Whisper मानव ट्रांसक्राइबर जितना सटीक है?
अंग्रेज़ी में Whisper करीब आता है, लेकिन सर्वश्रेष्ठ के बराबर नहीं। OpenAI ने 25 रिकॉर्डिंग पर पाँच पेशेवर सेवाओं से तुलना की। कंप्यूटर-सहायता सेवा का कुल WER Whisper से 1.15 अंक कम था और चार पूरी तरह मानव सेवाएँ एक अंक के अंश भर बेहतर थीं। इंसान अभी भी नाम, ओवरलैप और अस्पष्ट बातचीत बेहतर संभालते हैं। उद्धृत, दाखिल या प्रकाशित सामग्री का इंसान को रिकॉर्डिंग से मिलान करना चाहिए।
अंग्रेज़ी के अलावा भाषाओं में Whisper कितना सटीक है?
भाषा के अनुसार बहुत बदलता है। Fleurs पर large-v2 का स्पेनिश में 3.0%, जर्मन में 4.5% और फ़्रेंच में 8.3% WER था, लेकिन हिब्रू में 27.1% और तेलुगु में 99.0%। चीनी और जापानी को कैरेक्टर त्रुटि दर से मापा गया: 14.7% और 5.3%। शोधपत्र ने पाया कि सटीकता हर भाषा के प्रशिक्षण ऑडियो की मात्रा से जुड़ी है। कम संसाधन वाली भाषा में पहले छोटा अंश जाँचें और सुधार के लिए अधिक समय रखें।
अपनी रिकॉर्डिंग पर सटीकता जाँचें
बेंचमार्क दूसरे लोगों के ऑडियो बताते हैं। 130+ भाषाओं में किसी अंश को whispertranscribe.ai पर अपलोड करें और इस गाइड के चरणों से स्कोर करें। बिना खाते के मुफ़्त शुरू करें या प्लान तुलना करें।
संबंधित लेख: Whisper AI क्या है? · सर्वश्रेष्ठ मुफ़्त ट्रांसक्रिप्शन सॉफ़्टवेयर · सर्वश्रेष्ठ TurboScribe विकल्प · YouTube वीडियो ट्रांसक्राइब कैसे करें · SRT फ़ाइल क्या है? · हार्ड और सॉफ़्ट सबटाइटल
संदर्भ
- Radford और सहलेखक, Robust Speech Recognition via Large-Scale Weak Supervision (Whisper शोधपत्र, OpenAI, 2022): तालिका 2, 9, 13 और 16 तथा अनुभाग 3 से 6
- OpenAI, GitHub पर openai/whisper: README मॉडल तालिका, turbo नोट और भाषा अनुसार WER चार्ट
- OpenAI और Hugging Face, whisper-large-v3 मॉडल कार्ड: large-v3 बदलाव, मूल्यांकित उपयोग और सीमाएँ
- Koenecke और सहलेखक, Careless Whisper: Speech-to-Text Hallucination Harms (2024)
- jiwer: WER और CER के लिए ओपन-सोर्स लाइब्रेरी
- Hugging Face, Open ASR Leaderboard: खुले स्पीच मॉडल की स्वतंत्र, नियमित रूप से अपडेट होने वाली तुलना
