A whispertranscribe.ai szerkesztősége · Frissítve: 2026. november · 13 perc olvasás · Kategória: Átírási pontosság
Mennyire pontos a Whisper? Tiszta, felolvasott angol beszédnél az OpenAI tanulmánya 2.5% szóhibaarányt (WER) közöl a Whisper large-v2 modellre, vagyis 100 szóból körülbelül 97–98 helyes. Nehezebb hangon rosszabb az eredmény: telefonhívásnál 13.6%, zajos vacsorán 24.9%, egyetlen távoli mikrofonnal rögzített értekezleten 39.9%.
A Whisper az OpenAI nyílt forráskódú beszédfelismerő modellje és sok átíróalkalmazás, köztük a miénk motorja. Ez az útmutató a pontosságról szól: mit mér a WER, mit mutatnak a tesztek hangtípus és nyelv szerint, hol hibázik a Whisper, és hogyan tesztelheted. A modell hátteréhez lásd: mi a Whisper AI.
A legtöbb adat a Whisper-tanulmányból származik (Radford és mtsai, 2022), amely minden modellt „zero-shot” módon, a tesztkészleteken végzett finomhangolás nélkül értékelt. Az újabb large-v3 modellkártya sok nyelven 10–20%-kal kevesebb hibát közöl a large-v2-nél, teljes adatkészletenkénti táblázat nélkül. A cikket a whispertranscribe.ai adja ki. Nem végeztünk hozzá összehasonlító tesztet; a számok nem saját mérésünk eredményei.
A Whisper pontossága röviden
Egyetlen tesztkészlet nem ad teljes választ, mert leginkább a hang változtatja az eredményt. A táblázat az OpenAI large-v2 eredményeit mutatja beam search és temperature fallback használatával (függelék, 9. táblázat), az OpenAI szövegnormalizálása után értékelve.
| Hang típusa | A tanulmány tesztkészlete | Whisper large-v2 WER | Helyes szavak hozzávetőleges aránya |
|---|---|---|---|
| Hangoskönyv, tiszta felolvasás | LibriSpeech test-clean | 2.5% | 100-ból kb. 97.5 |
| Felolvasott hírszöveg | WSJ | 2.6% | 100-ból kb. 97.4 |
| TED-előadások | TED-LIUM 3 | 3.7% | 100-ból kb. 96 |
| Hangoskönyv, nehezebben érthető beszélők | LibriSpeech test-other | 4.9% | 100-ból kb. 95 |
| Önkéntesek otthoni mikrofonnal | Common Voice 5.1 | 8.2% | 100-ból kb. 92 |
| Telefonbeszélgetések | Switchboard | 13.6% | 100-ból kb. 86 |
| Hosszú szociolingvisztikai interjúk | CORAAL | 14.2% | 100-ból kb. 86 |
| Családi és baráti telefonhívások | CallHome | 16.4% | 100-ból kb. 84 |
| Értekezlet, mindenkin fejhallgató-mikrofon | AMI IHM | 17.4% | 100-ból kb. 83 |
| Vacsoratársaságok, távoli mikrofonok | CHiME-6 | 24.9% | 100-ból kb. 75 |
| Értekezlet, egy távoli asztali mikrofon | AMI SDM1 | 39.9% | 100-ból kb. 60 |
A „helyes szavak aránya” itt 100 mínusz WER, ami közelítés, mert a WER a beszúrt szavakat is számolja.
Gyakran 2.7% szerepel: ez ugyanaz a modell egyszerűbb greedy dekódolással (a tanulmány 2. táblázata). Az AMI-sorok ugyanazokat az értekezleteket mutatják kétféle felvétellel. Ha a mikrofon a beszélők fejéről az asztal közepére kerül, a hibaarány több mint kétszeresére nő.
Mi a szóhibaarány (WER), és hogyan számítják?
A szóhibaarány az átirat hibáinak aránya egy ember által ellenőrzött referenciaszöveghez képest. Három hibatípust kell összeadni, majd elosztani a referencia szavainak számával:
WER = (helyettesítések + kihagyások + beszúrások) ÷ a referencia szavainak száma
- Helyettesítés: a helyes szó helyén másik szó áll (például „ház” helyett „láz”).
- Kihagyás: egy elhangzott szó hiányzik az átiratból.
- Beszúrás: az átiratban olyan szó van, amelyet senki sem mondott.
Saját, szemléltető példa a WER-számításhoz és a nyílt forrású jiwer könyvtárhoz:
| Sor | Szöveg |
|---|---|
| Referencia (22 szó) | a termék megjelenését március kilencedikére tettük mert a beszállító két határidőt elmulasztott és patel doktor új teszttervet kér még a találkozó előtt |
| Átirat | a termék ebédjét március kilencedikére tettük mert a beszállító két határidőt elmulasztott badal doktor új teszttervet kér még a találkozó előtt ma |
| Hibák | 2 helyettesítés (ebédjét, badal), 1 kihagyás (és), 1 beszúrás (ma) |
| WER | 4 ÷ 22 = 18.2% |
Három gyakran félreértett WER-tulajdonság:
- 100% fölé is mehet. A beszúrásoknak nincs felső határa, és a tanulmány Fleurs-eredményeiben néhány kevés erőforrású nyelv 100% fölött van.
- A normalizálás módosítja az értéket. A „Dr.” és a „doktor” eltérésnek számít, ha nem egységesen tisztítjuk a szövegeket. Az OpenAI szerint a normalizáló egyes adatkészleteken akár 50%-kal csökkentette a WER-t, főleg a formázási eltérések eltávolításával.
- Egyes nyelveknél karakterhibaarányt (CER) használnak. A tanulmány kínai, japán, thai, lao és burmai nyelvnél karaktereket értékel, mert a szavakat nem szóköz választja el.
Megnevezett tesztkészlet és értékelési módszer nélküli pontossági állítás nem mérés, akárki teszi is, minket is beleértve.
Mennyire pontos a Whisper angolul?
Tiszta angol beszéden nagyon pontos, nehezebb felvételeken is használható. A tanulmányban 12 másik angol adatkészleten 55.2%-kal kevesebb hibát vétett, mint egy felügyelt wav2vec 2.0 modell közel azonos LibriSpeech-eredménnyel.
Hosszú felvételek
A Whisper 30 másodperces ablakokban dolgozik, ezért a tanulmány külön vizsgálta a hosszú fájlokat (függelék, 16. táblázat, large-v2):
| Hosszú tesztkészlet | Tartalom | WER |
|---|---|---|
| TED-LIUM 3 | 11 teljes TED-előadás | 3.5% |
| Meanwhile | 64 késő esti tévészegmens sok szokatlan szóval | 5.1% |
| Kincaid46 | 46 vegyes felvétel egy 2018-as összehasonlításból | 8.8% |
| Earnings-21 | Vállalati eredménybeszámoló-hívások | 9.7% |
| Rev16 | 16 podcast epizód | 11.3% |
| Earnings-22 | További eredménybeszámolók sok akcentussal | 12.6% |
| CORAAL | 231 teljes interjú afroamerikai angolul | 19.6% |
Whisper és emberi átírók
Az OpenAI 25 Kincaid46-felvételt íratott át négy emberi szolgáltatással és egy számítógéppel támogatott szolgáltatással. Az utóbbi összesített WER-je 1.15 százalékponttal jobb volt a Whisperénél, a teljesen emberi szolgáltatásoké pedig egy százalékpont töredékével. A tanulmány következtetése: nem tökéletes, de nagyon közel áll az emberi pontossághoz.
Számít a modell mérete
A Whisper több méretben létezik, az alkalmazások pedig nem mindig mondják meg, melyiket használják (függelék, 9. táblázat):
| Modell | Paraméter | 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% |
A különbség nehezebb hangnál nő: tiszta hangoskönyvnél kb. 4, vacsoratársaságnál 23 pont. Az újabb turbo modell optimalizált large-v3, amely az OpenAI GitHub README szerint minimális pontosságvesztést vállal a jóval nagyobb sebességért.
Mennyire pontos a Whisper más nyelveken?
Az angolon kívül a pontosság főként az adott nyelv tanítóhangjának mennyiségétől függ. A tanulmány 0.83 négyzetes korrelációt talált a tanítóórák és a WER logaritmusa között, és becslése szerint az adatok minden 16-szoros növekedésével feleződik a WER. A 96 nem angol nyelv többségéhez 1.000 óránál kevesebb adat állt rendelkezésre.
Válogatott Fleurs-eredmények (felolvasott mondatok, large-v2, függelék 13. táblázat):
| Nyelv | Fleurs WER | Megjegyzés |
|---|---|---|
| Spanyol | 3.0% | A táblázat legkisebb értéke |
| Angol | 4.2% | |
| Portugál | 4.3% | |
| Német | 4.5% | |
| Japán | 5.3% | Karakterhibaarány |
| Orosz | 5.6% | |
| Francia | 8.3% | |
| Koreai | 14.3% | Kiugró értékként jelölve |
| Kínai | 14.7% | Karakterhibaarány |
| Arab | 16.0% | |
| Hindi | 21.5% | |
| Héber | 27.1% | Kiugró értékként jelölve |
| Szuahéli | 39.3% | |
| Telugu | 99.0% | Kiugró értékként jelölve |
A tanulmány szerint a héber, telugu, kínai és koreai eredménye a tanítóadat alapján vártnál rosszabb, esetleg a nyelvi távolság, az írásrendszerhez rosszul illeszkedő tokenizáló vagy az adatminőség miatt. A Fleurs felolvasott beszédet tartalmaz, így beszélgetésben magasabb hibaarány várható. A README újabb large-v3 és large-v2 ábrát tartalmaz a Common Voice 15 és Fleurs adatokon.
A spanyol eredmények biztatók, ha spanyol hangot írsz át szöveggé. Kevés erőforrású nyelvnél először rövid részletet tesztelj, mielőtt a teljes projektre vállalkozol.
Mi befolyásolja a Whisper pontosságát?
A felvételi körülmények számítanak a legtöbbet. A tanulmány és a modellkártya bizonyítékai:
| Tényező | Mit mutatnak az adatok? | Mit tehetsz? |
|---|---|---|
| Háttérzaj | 10 dB alatti jel-zaj viszonyú kocsmakörnyezetben a Whisper mind a 14 összehasonlított modellt felülmúlta, de mindegyik romlott a zaj növekedésével | Csendes helyiségben rögzíts, ventilátortól és zenétől távol |
| Mikrofontávolság | Ugyanazok az AMI-értekezletek: 17.4% fejhallgató-mikrofonnal, 39.9% egy asztali mikrofonnal | A mikrofon legyen közel az éppen beszélőhöz |
| Beszélgetés és átfedés | Telefonhívás és vacsora: 13.6–24.9%, felolvasott beszéd: 2.5% | Egyszerre egy beszélő; személyenként egy mikrofon |
| Akcentusok és nyelvjárások | A modellkártya egyenetlen pontosságot jelez; hosszú CORAAL-interjúkon 19.6% | Valós felvételeidhez hasonló beszélőkkel tesztelj |
| Ritka szavak és szaknyelv | Jó eredmény a szakkifejezéseket tartalmazó Meanwhile-készleten (5.1%), de a nevek és műszaki kifejezések továbbra is hibaforrások | Listából ellenőrizd a neveket és kifejezéseket |
| Nyelvi erőforrás | A Fleurs WER 3.0%-tól (spanyol) 99.0%-ig (telugu) terjed | Magad válaszd ki a nyelvet; kevés erőforrásnál tervezz több ellenőrzést |
| Modellméret | CHiME-6-on a tiny 48.0%, a large-v2 24.9% | Kérdezd meg, melyik modellt használja az eszköz, vagy válaszd a lehető legnagyobbat |
| Formátum és mintavétel | A Whisper kódja minden hangot 16 kHz mono formára alakít | A 48 kHz WAV nem ad többet egy tiszta 16 kHz fájlnál |
Az MP3 nagy WAV-fájlba alakítása nem állítja vissza az elveszett részleteket. Egy tiszta, mérsékelt bitrátájú felvétel jobb, mint egy zajos, nagy bitrátájú.
Ismert Whisper-problémák: hallucináció, ismétlés és időbélyeg
Az OpenAI mindegyik hibamódot dokumentálja, amelyek jelentősége nagyobb lehet, mint a WER-ben elfoglalt arányuk sugallja.
Kitalált szöveg
A Whisper leírhat olyan szavakat, amelyeket senki sem mondott. A modellkártya szerint a kimenet tartalmazhat el nem hangzott szöveget, valószínűleg azért is, mert a modell a várható következő szavakat jósolja. A tanulmány korlátai között teljes hallucinációt, vagyis a hanghoz nem kapcsolódó kimenetet is említ.
A független Careless Whisper kutatás (Koenecke és mtsai, 2024) 13.140 hangszegmenst futtatott az OpenAI Whisper API-ján 2023 áprilisában és májusában. Az átiratok mintegy 1%-a (átlagosan 1.4%) tartalmazott teljes kitalált kifejezéseket vagy mondatokat, ezek 38%-a pedig káros tartalmat, például erőszakot vagy hamis összefüggést. A hosszabb szünetek — a vizsgálatban afáziás beszélőknél — gyakoribbá tették a jelenséget. Az API azóta változott, ezért ezt 2023-as mérésként kezeld.
Ismétlődő szöveg és kimaradó szavak
A modellkártya szerint a Whisper hajlamos ismétlődő szövegre; a beam search és a hőmérséklet ütemezése csökkenti, de nem szünteti meg. A tanulmány az első vagy utolsó szavak kihagyását is említi. A dekódolási javítások a hosszú felvételek átlagos WER-jét 11.0%-ról 10.0%-ra csökkentették, de nem oldották meg teljesen.
Csend, zene és töltelékszavak
Kitalált szöveg gyakran jelenik meg hosszú csend vagy zene alatt. A tanulmány szerint a Whisper saját beszédhiány-jelzése önmagában nem megbízható; a nyílt kódban ma már választható a hosszú csend kihagyása valószínű hallucináció észlelésekor.
Időbélyeg-eltolódás és hosszú fájlok
A Whisper 30 másodperces ablakonként halad, és a következő ablakot saját előrejelzett időbélyegeivel helyezi el. A tanulmány szerint egy ablak hibája ezért átkerülhet a következőbe. A szószintű időbélyegek a kódban kísérletiként szerepelnek. Feliratoknál ellenőrizd az időzítést a szünetek körül.
A fejlesztés során az OpenAI azt is látta, hogy a Whisper a beszélőneveket szinte mindig rosszul találta ki. A kiadott modelleket ennek csökkentésére finomhangolták, de minden nevet ellenőrizz.
10 módszer a Whisper-átírás pontosságának javítására
A legtöbb javítás az átírás előtt történik. Nagyjából a várható hatás szerinti sorrendben:
- Tedd közel a mikrofont. Az AMI-értekezleteken a távolság önmagában több mint megduplázta a hibaarányt.
- A zaj forrását csökkentsd. Csukd be az ablakot, kapcsold ki a ventilátort és állítsd le a zenét.
- Kerüld az átfedő beszédet. Egyszerre egy beszélő bármely beállításnál többet segít.
- Vágd ki a hosszú csendet és zenei bevezetőt, ahol gyakran jelenik meg kitalált szöveg. Szünetnél vágj, ne mondat közben.
- Válaszd ki a nyelvet. A Whisper 82 Fleurs-nyelven 80.3%-ban azonosította helyesen a nyelvet, így rövid vagy akcentusos részleteknél az automatikus felismerés tévedhet.
- Használd a legnagyobb elérhető modellt, különösen zajos hangnál.
- Saját üzemeltetésnél add meg a neveket és szakkifejezéseket. A nyílt Whisper az
--initial_promptparaméterben fogadja a várt írásmódokat. - Az eredeti fájlt töltsd fel. A hangszóróból újrafelvétel vagy az ismételt tömörítés részleteket veszít.
- Ellenőrizd a kifejezéseket. Keress rá minden névre, számra, dátumra és rövidítésre, és vesd össze a hanggal.
- Két körben ellenőrizz. Először normál sebességen javíts, majd keresd a hallucináció jeleit: ismétlődő sorok, csendre írt mondatok és például „Köszönjük, hogy megnézted” lezárások. Jogi, orvosi vagy közzétett munkát teljes egészében ember ellenőrizzen.
Hogyan mérd a Whisper pontosságát saját hangon?
A saját munkádra a legjobb becslés egy 30 perces teszt saját felvételeken. Ezeket a lépéseket te végezheted el; nem a whispertranscribe.ai tesztjéről van szó.
- Válassz három, egyenként 2 perces részletet, amelyek jellemzőek: egy könnyűt, egy átlagosat és egy nehezet.
- Írj kézzel referenciát szóról szóra. Előbb döntsd el, maradnak-e a töltelékszavak, és számjeggyel vagy szóval írod-e a számokat.
- Írasd át mindegyik részletet a tesztelt eszközzel, és ments egyszerű szöveget.
- Normalizáld ugyanúgy mindkét szöveget. Az OpenAI normalizálója az
openai-whispercsomag része. - Számíts WER-t a jiwer segítségével:
# 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}")
- A kritikus hibákat külön számold. Öt hibás töltelékszó és öt rossz ügyfélnév azonos WER-t ad, de más súlyú probléma.
- Rögzítsd az eredményeket az eszközök és beállítások összehasonlításához:
| Részlet | Körülmények | Referenciaszavak | S | D | I | WER | Kritikus hibák |
|---|---|---|---|---|---|---|---|
| A részlet | Csendes szoba, egy beszélő | 310 | |||||
| B részlet | Videóhívás, két beszélő | 285 | |||||
| C részlet | Kávézó, akcentusos beszélő | 296 |
A szószámok példák. A 4. lépésnél vedd figyelembe, hogy az OpenAI angol normalizálója eltérően kezelheti a rövidítéseket és számformákat. Az eredmény elfogadása előtt olvasd el a jelölt különbségeket.
Mennyire pontos a whispertranscribe.ai?
A whispertranscribe.ai böngészős, Whisper-alapú AI-átíró, amely több mint 130 nyelvet és legfeljebb 5 GB-os, 10 órás feltöltést támogat. Tiszta hangon a pontosság akár 99% lehet; zaj, erős akcentus és átfedés csökkenti, ahogy a Whisper fenti eredményei mutatják. Nem állítjuk, hogy elérjük vagy felülmúljuk a tanulmány számait, és saját összehasonlító tesztet sem tettünk közzé, ezért a fenti lépésekkel teszteld a saját részleteidet.
- Noise / Low-Quality Audio/Video lehetőségek sok nyelv választójában. Zajos fájlon próbáld ki a normál és zajos módot, majd hasonlítsd össze.
- Több mint 130 nyelv, Multilingual Mix és hang fordítása angolra.
- Legfeljebb 5 GB-os és 10 órás fájlok, beszélőfelismerés és időbélyegek (összes funkció).
- Tiszta bemenet: a szükséges hozzájárulás és szervezői engedély megszerzése után rögzíts a böngészőben közeli mikrofonnal, vagy alakíts videót MP3-má, hogy csak hangot tölts fel.
- Export DOCX, PDF, TXT, CSV, SRT és VTT formátumba, valamint feliratkészítő időzített feliratokhoz.
Ingyen, fiók nélkül kezdhetsz. A fizetős csomagok éves számlázással 9,99 USD/hótól indulnak; árak.
Gyakori kérdések
A Whisper 99%-os pontosságú?
Általánosságban nem. Legjobb közzétett eredménye 2.5% szóhibaarány a LibriSpeech test-clean tisztán felolvasott hangoskönyvein, ami körülbelül 97.5% helyes szónak felel meg. Telefonhívásokon, értekezleteken és zajos szobákban az OpenAI saját WER-értékei mintegy 13–40% között vannak. A „99%” csak akkor értelmezhető, ha megnevezi a mért hangot. A Whisper-alapú eszközöket, köztük a whispertranscribe.ai-t, a saját felvételeiden értékeld.
Melyik Whisper-modell a legpontosabb?
A large modellek a legpontosabbak. Az OpenAI tanulmányában a large-v2 adta a legkisebb hibaarányt a legtöbb tesztkészleten, a large-v3 kártyája pedig sok nyelven 10–20%-kal kevesebb hibát jelez a large-v2-höz képest. A turbo optimalizált large-v3, amely az OpenAI szerint kis pontosságvesztésért jóval nagyobb sebességet ad. A legkisebb tiny sokkal pontatlanabb nehéz hangon: zajos vacsorán 48.0% WER a large-v2 24.9%-ával szemben.
Miért ír le a Whisper el nem hangzott szavakat?
A Whisper hallucinálhat, mert a hang átírása mellett várható szöveg előrejelzésére is tanították; az OpenAI modellkártyája figyelmeztet nem hallható szövegre. Ez főleg hosszú csendben, zene vagy zaj közben fordul elő. Egy 2023-as független kutatás az átiratok mintegy 1%-ában talált kitalált kifejezéseket, és a szünetek növelték az esélyt. A csend kivágása, a nyelv beállítása és a halk szakaszok ellenőrzése csökkenti a kockázatot.
Mennyire pontos a Whisper akcentusokkal?
Sok régebbi rendszernél jobban kezeli az akcentusokat, de nem egyenletesen. Az OpenAI modellkártyája szerint a pontosság egy nyelv akcentusai és nyelvjárásai között is eltér. A tanulmányban a hosszú afroamerikai angol CORAAL-interjúk WER-je 19.6%, a teljes TED-előadásoké 3.5% volt, bár a felvételi körülmények is eltérnek. A megbízható módszer a saját beszélőidhez hasonló részlet tesztelése és erős akcentusnál több ellenőrzési idő tervezése.
A Whisper olyan pontos, mint egy emberi átíró?
Angolul közel kerül a legjobbakhoz, de nem éri el őket. Az OpenAI öt professzionális szolgáltatással hasonlította össze 25 felvételen. Egy számítógéppel támogatott szolgáltatás összesített WER-je 1.15 ponttal alacsonyabb, négy tisztán emberi szolgáltatásé pedig egy pont töredékével jobb volt. Az emberek még mindig gyakran jobban kezelik a neveket, átfedéseket és tisztázatlan beszédet. Idézett, hivatalosan benyújtott vagy publikált anyagot ember ellenőrizzen a hanggal összevetve.
Mennyire pontos a Whisper nem angol nyelveken?
Nyelvenként nagyon eltér. A Fleurs-teszten a large-v2 spanyolul 3.0%, németül 4.5%, franciául 8.3%, héberül 27.1%, telugu nyelven 99.0% WER-t ért el. A kínait és japánt karakterhibaaránnyal mérik: 14.7% és 5.3%. A tanulmány szerint a pontosság követi a nyelvenkénti tanítóhang mennyiségét. Kevés erőforrású nyelvnél először rövid részletet tesztelj, és tervezz több javítási időt.
Teszteld a pontosságot saját felvételen
A benchmarkok mások hangját írják le. Tölts fel egy részletet a whispertranscribe.ai-ra több mint 130 nyelv bármelyikén, és értékeld a fenti lépésekkel. Kezdj ingyen, fiók nélkül, vagy hasonlítsd össze a csomagokat.
Kapcsolódó cikkek: Mi a Whisper AI? · Legjobb ingyenes átírószoftverek · Legjobb TurboScribe-alternatívák · YouTube-videó átírása · Mi az SRT-fájl? · Beégetett vagy különálló felirat
Források
- Radford és mtsai, Robust Speech Recognition via Large-Scale Weak Supervision (Whisper-tanulmány, OpenAI, 2022): 2., 9., 13. és 16. táblázat, 3–6. szakasz
- OpenAI, openai/whisper a GitHubon: README-modelltábla, turbo-megjegyzés és nyelvenkénti WER-ábra
- OpenAI és Hugging Face, whisper-large-v3 modellkártya: változások, értékelt használat és korlátok
- Koenecke és mtsai, Careless Whisper: Speech-to-Text Hallucination Harms (2024)
- jiwer: nyílt forrású WER- és CER-könyvtár
- Hugging Face, Open ASR Leaderboard: nyílt beszédmodellek független, rendszeresen frissített összehasonlítása
