Vun der whispertranscribe.ai Redaktioun · Lescht aktualiséiert: November 2026 · 13 Minutte Lieszäit · Kategorie: Transkriptiounsgenauegkeet
Wéi genee ass Whisper? Fir kloer geliesent Englesch mellt OpenAI säi Pabeier eng Wuertfeelerrate (WER) vun 2.5% fir Whisper large-v2, also sinn ongeféier 97 bis 98 vun 100 Wierder richteg. Méi schwéieren Audio schneit méi schlecht of: 13.6% bei Telefonsgespréicher, 24.9% bei engem lauten Iessen an 39.9% an engem Meeting mat engem eenzegen entfernte Mikrofon.
Whisper ass OpenAI säin Open-Source-Sproocherkennungsmodell an de Motor hannert ville Transkriptiounsapps, och eiser. Dëse Guide behandelt nëmmen d'Genauegkeet: wat WER moosst, wat Benchmarken no Audiotyp a Sprooch weisen, wou Whisper feelt a wéi Dir selwer test. Fir den Hannergrond vum Modell, kuckt eis Erklärung wat Whisper AI ass.
Déi meescht Zuele kommen aus dem Whisper-Pabeier (Radford an anerer, 2022), deen all Modell „zero-shot“ getest huet, ouni Fine-Tuning op den Testsets. Déi méi nei large-v3-Modellkaart mellt 10% bis 20% manner Feeler wéi large-v2 iwwer vill Sproochen, awer ouni komplett Tabell pro Datesaz. whispertranscribe.ai publizéiert dësen Artikel. Mir hu kee Benchmark dofir gemaach, a keng Zuel hei ass eist eegent Testresultat.
Whisper-Genauegkeet op ee Bléck
Keen eenzegen Testset beäntwert d'Fro, well den Audio d'Zuel am meeschte verännert. D'Tabell weist OpenAI seng large-v2-Resultater mat Beam Search an Temperature Fallback (Unhang Tabell 9), no OpenAI senger Textnormaliséierung bewäert.
| Audiotyp | Testset am Pabeier | Whisper large-v2 WER | Ongeféieren Undeel richteg Wierder |
|---|---|---|---|
| Audiobuch, kloere Lieser | LibriSpeech test-clean | 2.5% | Ongeféier 97.5 vun 100 |
| Geliesenen Noriichtentext | WSJ | 2.6% | Ongeféier 97.4 vun 100 |
| TED-Virträg | TED-LIUM 3 | 3.7% | Ongeféier 96 vun 100 |
| Audiobuch, méi schwéier Spriecher | LibriSpeech test-other | 4.9% | Ongeféier 95 vun 100 |
| Fräiwëlleger mat Heemmikroen | Common Voice 5.1 | 8.2% | Ongeféier 92 vun 100 |
| Telefonsgespréicher | Switchboard | 13.6% | Ongeféier 86 vun 100 |
| Laang soziolinguistesch Interviewen | CORAAL | 14.2% | Ongeféier 86 vun 100 |
| Telefonsgespréicher tëscht Famill a Frënn | CallHome | 16.4% | Ongeféier 84 vun 100 |
| Meetings, all Persoun mat Headset-Mikro | AMI IHM | 17.4% | Ongeféier 83 vun 100 |
| Owesiessen, wäit ewech Mikrofonen | CHiME-6 | 24.9% | Ongeféier 75 vun 100 |
| Meetings, ee wäit ewech Dëschmikro | AMI SDM1 | 39.9% | Ongeféier 60 vun 100 |
„Undeel richteg Wierder“ ass 100 minus WER, eng Vereinfachung, well WER och bäigefüügte Wierder zielt.
Oft gëtt och 2.7% zitéiert: dat ass dee selwechte Modell mat méi einfachem Greedy Decoding (Tabell 2 vum Pabeier). D'AMI-Reie sinn och déi selwecht Meetings, op zwou Aarte opgeholl. De Mikro vun all Spriecher sengem Kapp an d'Mëtt vum Dësch ze réckele verduebelt d'Feelerrate méi wéi.
Wat ass d'Wuertfeelerrate (WER), a wéi gëtt se berechent?
D'Wuertfeelerrate ass den Undeel vu falsche Wierder an engem Transkript am Verglach mat enger vu Mënsche kontrolléierter Referenz. Zielt dräi Feelertypen an deelt duerch d'Wierder an der Referenz:
WER = (Ersetzungen + Ausloosungen + Aschiebungen) ÷ Wierder an der Referenz
- Ersetzung: e falscht Wuert amplaz vum richtegen („Mëttes“ amplaz vu „Mëttwoch“).
- Ausloosung: e geschwatent Wuert, dat am Transkript feelt.
- Aschiebung: e Wuert am Transkript, dat kee gesot huet.
Hei ass e selwer gemaacht Beispill, mat der Open-Source-jiwer-Bibliothéik bewäert:
| Zeil | Text |
|---|---|
| Referenz (22 Wierder) | mir hunn de wichtege start vum produkt op néngte mäerz verluecht well de liwwerant verspéit an doktor patel en neien testplang wëllt |
| Transkript | mir hunn de start vum projet op néngte mäerz verluecht well de liwwerant verspéit an doktor batel en neien testplang wëllt haut |
| Feeler | 2 Ersetzungen (projet, batel), 1 Ausloosung (wichtege), 1 Aschiebung (haut) |
| WER | 4 ÷ 22 = 18.2% |
Dräi Saachen iwwer WER iwwerraschen dacks:
- Et kann iwwer 100% leien. Aschiebungen hu keng Uewergrenz, an e puer Sprooche mat wéineg Ressourcen an de Fleurs-Resultater vum Pabeier leien iwwer 100%.
- Normaliséierung ännert de Score. „Dr.“ géint „doktor“ zielt als Feeler, ausser béid Texter gi gläich bereinegt. OpenAI seet, säin Normaliséierer huet WER op e puer Datesätz ëm bis zu 50% reduzéiert, meeschtens duerch d'Ewechhuele vu Formatéierungsënnerscheeder.
- E puer Sprooche benotzen Zeechefeelerrate (CER). Fir Chinesesch, Japanesch, Thai, Lao a Birmanesch, déi Wierder net mat Espacen trennen, bewäert de Pabeier Zeechen.
Eng Genauegkeetsausso ouni genannten Testset a Bewäertungsmethod ass keng Miessung, egal wien se mécht, eis abegraff.
Wéi genee ass Whisper op Englesch?
Whisper ass bei kloerem Englesch ganz genee a bleift och bei schwéierem Englesch benotzbar. Am Pabeier huet et iwwer 12 aner englesch Datesätz 55.2% manner Feeler gemaach wéi e superviséiert trainéierte wav2vec 2.0-Modell mat bal dem selwechte LibriSpeech-Score.
Laang Opnamen
Whisper liest Audio an 30-Sekonne-Fënsteren, dofir huet de Pabeier laang Dateie getrennt getest (Unhang Tabell 16, large-v2):
| Laangform-Testset | Inhalt | WER |
|---|---|---|
| TED-LIUM 3 | 11 komplett TED-Virträg | 3.5% |
| Meanwhile | 64 spéitowendlech TV-Segmenter mat ville ongewéinleche Wierder | 5.1% |
| Kincaid46 | 46 gemëschten Opnamen aus engem Verglach vun 2018 | 8.8% |
| Earnings-21 | Telefonskonferenzen iwwer Firmenakommes | 9.7% |
| Rev16 | 16 Podcast-Episoden | 11.3% |
| Earnings-22 | Méi Akommes-Uriff, vill Akzenter | 12.6% |
| CORAAL | 231 komplett Interviewen op afroamerikaneschem Englesch | 19.6% |
Whisper géint mënschlech Transkribéierer
OpenAI huet 25 Kincaid46-Opname vu véier mënschleche Servicer an engem computerassistéierte Service transkribéiere gelooss. De computerassistéierte Service war 1.15 Prozentpunkte besser wéi Whisper, an déi reng mënschlech Servicer nëmmen e Brochdeel vun engem Punkt besser. D'Uerteel vum Pabeier: net perfekt, awer ganz no bei mënschlecher Genauegkeet.
D'Modellgréisst zielt
Whisper gëtt et a verschiddene Gréissten, an Apps soen net ëmmer, wéi eng se benotzen (Unhang Tabell 9):
| Modell | Parameteren | 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% |
Den Ënnerscheed klëmmt mat der Schwieregkeet vum Audio: ongeféier 4 Punkten bei kloeren Audiobicher, 23 Punkten beim Owesiessen. Den neie turbo-Modell, en optiméierte large-v3, akzeptéiert wat OpenAI säi GitHub README eng minimal Genauegkeetsverschlechterung nennt, fir vill méi séier Transkriptioun.
Wéi genee ass Whisper an anere Sproochen?
Ausserhalb vum Engleschen hänkt d'Genauegkeet haaptsächlech dovun of, wéi vill Trainingsaudio Whisper an där Sprooch hat. De Pabeier huet eng quadratesch Korrelatioun vun 0.83 tëscht de Logarithme vun Trainingsstonnen a WER fonnt a schätzt, datt WER sech bei enger 16-facher Erhéijung vun den Donnéeën halbéiert. Déi meescht vun den 96 netenglesche Sproochen hate manner wéi 1,000 Stonnen.
Ausgewielte Fleurs-Resultater (geliesene Sätz, large-v2, Unhang Tabell 13):
| Sprooch | Fleurs WER | Bemierkung |
|---|---|---|
| Spuenesch | 3.0% | Niddregst an der Tabell |
| Englesch | 4.2% | |
| Portugisesch | 4.3% | |
| Däitsch | 4.5% | |
| Japanesch | 5.3% | Zeechefeelerrate |
| Russesch | 5.6% | |
| Franséisch | 8.3% | |
| Koreanesch | 14.3% | Als Ausleefer markéiert |
| Chinesesch | 14.7% | Zeechefeelerrate |
| Arabesch | 16.0% | |
| Hindi | 21.5% | |
| Hebräesch | 27.1% | Als Ausleefer markéiert |
| Swahili | 39.3% | |
| Telugu | 99.0% | Als Ausleefer markéiert |
De Pabeier markéiert Hebräesch, Telugu, Chinesesch a Koreanesch als méi schlecht wéi d'Trainingsdaten erwaart loosse géifen, méiglecherweis wéinst sproochlecher Distanz, engem fir dës Schrëften onpassenden Tokenizer oder Datenqualitéit. Fleurs ass geliesene Sprooch, dofir si bei Gespréicher méi héich Feelerraten ze erwaarden. De README huet eng nei Grafik fir large-v3 a large-v2 op Common Voice 15 a Fleurs.
Déi spuenesch Resultater si villverspriechend, wann Dir spueneschen Audio an Text transkribéiert. Fir Sprooche mat wéineg Ressourcen test e kuerze Clip, ier Dir e ganze Projet ufänkt.
Wat beaflosst d'Genauegkeet vu Whisper?
D'Opnambedéngunge si méi wichteg wéi alles anescht. Beweiser aus dem Pabeier an der Modellkaart:
| Faktor | Wat d'Beweiser weisen | Wat maachen |
|---|---|---|
| Hannergrondgeräischer | Bei Pub-Geräischer ënner 10 dB Signal-Rausch-Verhältnis war Whisper besser wéi all 14 Vergläichsmodeller, awer all Modell gouf méi schlecht bei méi Kaméidi | An engem rouege Raum ophuelen, wäit vu Ventilatoren a Musek |
| Mikrofonofstand | Selwecht AMI-Meetings: 17.4% mat Headset-Mikroen, 39.9% mat engem Dëschmikro | Mikro no beim Spriecher halen |
| Gespréich an iwwerlappend Stëmmen | Telefonen an Owesiessen erreechen 13.6% bis 24.9%, géint 2.5% fir geliesene Sprooch | Ee Spriecher gläichzäiteg; ee Mikro pro Spriecher |
| Akzenter an Dialekter | D'Modellkaart mellt ongläich Genauegkeet; laang CORAAL-Interviewen haten 19.6% | Mat Spriecher testen, déi wéi Är reell Opname kléngen |
| Seelen Wierder a Fachbegrëffer | Gutt am fachbegrëffräiche Meanwhile-Set (5.1%), awer Nimm an technesch Begrëffer sinn nach dacks falsch | Nimm a Begrëffer géint eng Lëscht iwwerpréiwen |
| Sproochressourcen | Fleurs-WER geet vun 3.0% (Spuenesch) bis 99.0% (Telugu) | Sprooch selwer wielen; méi Kontrollzäit fir Sprooche mat wéineg Ressourcen plangen |
| Modellgréisst | tiny huet 48.0% op CHiME-6, large-v2 24.9% | Frot wéi ee Modell den Tool benotzt, oder benotzt dee gréisste méiglechen |
| Dateiformat a Samplerate | Whisper säi Code resampelt all Audio op 16 kHz Mono | En 48 kHz WAV bréngt näischt géintiwwer enger propperer 16 kHz-Datei |
En MP3 an e grousse WAV ze konvertéieren restauréiert keng verluer Detailer. Eng kloer Opnam mat moderater Bitrate ass besser wéi eng laut Opnam mat héijer Bitrate.
Bekannt Whisper-Problemer: Halluzinatiounen, Widderhuelungen an Zäitstempel
OpenAI dokumentéiert all dës Feeler, déi méi wichteg kënne sinn wéi hiren Undeel un der WER.
Halluzinéierten Text
Whisper kann Wierder schreiwen, déi kee gesot huet. D'Modellkaart seet, datt Prognosen Text enthale kënnen, deen net am Audio geschwat gouf, wahrscheinlech well de Modell och méiglech nächst Wierder virausseet. D'Aschränkunge vum Pabeier nennen esouguer komplett Halluzinatioun: Output ouni Bezuch zum Audio.
Eng onofhängeg Etüd, Careless Whisper (Koenecke an anerer, 2024), huet am Abrëll a Mee 2023 13,140 Audiosegmenter duerch OpenAI seng Whisper API geschéckt. Ongeféier 1% vun den Transkriptiounen (1.4% am Duerchschnëtt) enthale ganz erfonnt Ausdréck oder Sätz, an 38% dovun haten schiedlechen Inhalt wéi Gewalt oder falsch Associatiounen. Bei Spriecher mat méi laange Pausen, hei Leit mat Aphasie, koum et méi dacks vir. D'API huet sech zënterhier geännert; betruecht dëst als Miessung vun 2023.
Widderhuelungsschleifen a fehlend Wierder
D'Modellkaart seet, Whisper tendéiert zu widderhueltem Text; Beam Search an Temperature Scheduling reduzéieren dat, awer net perfekt. De Pabeier nennt och d'Iwwersprange vun éischten oder leschte Wierder vun engem Segment. Dekodéierungsverbesserungen hunn den duerchschnëttleche laange WER vun 11.0% op 10.0% reduzéiert: besser, net geléist.
Rou, Musek a Fëllwierder
Erfonnten Text erschéngt dacks bei laanger Rou a Musek. De Pabeier huet Whisper säin eegent „no speech“-Signal eleng als onverlässeg fonnt, an den Open-Source-Code huet elo eng Optioun fir laang Rou ze iwwersprangen, wann eng méiglech Halluzinatioun erkannt gëtt.
Zäitstempelverschibung a laang Dateien
Whisper veraarbecht laangen Audio an 30-Sekonne-Fënsteren a benotzt seng virausgesoten Zäitstempel fir déi nächst Fënster; e Feeler kann also an déi nächst iwwergoen. Zäitstempel op Wuertniveau sinn am Code als experimentell markéiert. Fir Ënnertitelen iwwerpréift d'Zäiten ëm Pausen.
Wärend der Entwécklung huet OpenAI och gesinn, datt Whisper SpriechNimm geroden huet, déi bal ëmmer falsch waren. Déi verëffentlecht Modeller goufen nogetrainéiert, fir dëst ze reduzéieren, awer kontrolléiert all Numm am Text.
10 Weeër fir d'Whisper-Transkriptiounsgenauegkeet ze verbesseren
Déi meescht Verbesserunge kommen, ier Dir Transkribéieren dréckt. Ongeféier vun der gréisster bis zur klengster Wierkung:
- Setzt de Mikro no. Distanz eleng huet d'Feelerrate an den AMI-Meetings méi wéi verduebelt.
- Reduzéiert Geräischer un der Quell. Maacht Fënsteren zou, schalt Ventilatoren aus, stoppt Musek.
- Vermeit iwwerlappend Sprooch. Eng Persoun gläichzäiteg ass besser wéi all Astellung.
- Schneit laang Rou a Museksintroen eraus, wou erfonnten Text meeschtens erschéngt. Schneit bei Pausen, net an der Mëtt vun engem Saz.
- Stellt d'Sprooch selwer an. Whisper huet d'Sprooch an 80.3% vun de Fäll iwwer 82 Fleurs-Sprooche richteg erkannt; Auto-Erkennung ka bei kuerzen oder akzentéierte Clips falsch leien.
- Benotzt dee gréisste verfügbare Modell, besonnesch fir laut Opnamen.
- Gitt Nimm a Begrëffer als Prompt un, wann Dir selwer host. Open-Source Whisper akzeptéiert en
--initial_promptmat den erwaarten Schreifweisen. - Luet d'Originaldatei erop. Nees iwwer Spriecher ophuelen oder ëmmer erëm kompriméiere verléiert Detailer.
- Maacht eng Begrëffskontroll. Sicht no all Numm, Zuel, Datum an Akronym a kontrolléiert se géint den Audio.
- Kontrolléiert an zwee Passagen. Fir d'éischt Feeler am normale Tempo korrigéieren. Da no Halluzinatiounszeeche sichen: widderholl Zeilen, Sätz während Rou, Ofschloss wéi „Merci fir d'Nokucken.“ Fir juristesch, medezinesch oder publizéiert Aarbecht soll eng Persoun alles iwwerpréiwen.
Wéi moosst Dir Whisper seng Genauegkeet mat Ärem eegenen Audio?
Déi bescht Schätzung fir Är Aarbecht ass en 30-Minuten-Test mat Ären eegenen Opnamen. Dës Schrëtt sidd Dir selwer auszeféieren; et ass keen Test vu whispertranscribe.ai.
- Wielt dräi 2-Minutte-Clips wéi an Ärer reeller Aarbecht: een einfachen, een typeschen an ee schwéieren.
- Schreift e Referenztranskript mat der Hand, Wuert fir Wuert. Leet d'Reegelen als éischt fest: „äh“ behalen oder ewechloossen, Zifferen oder Wierder fir Zuelen.
- Transkribéiert all Clip mam Tool, dat Dir test, a späichert einfachen Text.
- Normaliséiert béid Texter op déiselwecht Aart. OpenAI säin Normaliséierer gëtt mat
openai-whispergeliwwert. - Berechent WER mat jiwer:
# 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}")
- Zielt kritesch Feeler separat. Fënnef falsch Fëllwierder a fënnef falsch Clientennimm ginn déi selwecht WER, sinn awer net dee selwechte Problem.
- Notéiert d'Resultater, fir Tools oder Astellungen ze vergläichen:
| Clip | Bedéngungen | Referenzwierder | S | D | I | WER | Kritesch Feeler |
|---|---|---|---|---|---|---|---|
| Clip A | Rouege Raum, ee Spriecher | 310 | |||||
| Clip B | Video-Uruff, zwee Spriecher | 285 | |||||
| Clip C | Café, Spriecher mat Akzent | 296 |
D'Wuertzuele si Plazhalter. Opgepasst bei Schrëtt 4: OpenAI säin engleschen Normaliséierer kann „Dr.“ mat „doctor“ an „two“ mat „2“ gläichsetzen, awer „9th“ géint „ninth“ nach ëmmer als Feeler zielen. Liest markéiert Differenzen, ier Dir dem Score vertraut.
Wéi genee ass whispertranscribe.ai?
whispertranscribe.ai ass en AI-Transkriptiounstool am Web mat Whisper, deen 130+ Sproochen an Uploads bis 5GB an 10 Stonnen ënnerstëtzt. Bei kloerem Audio erreecht d'Genauegkeet bis zu 99%; Hannergrondgeräischer, staark Akzenter an iwwerlappend Sprooch reduzéieren se, wéi d'Whisper-Benchmarken uewen weisen. Mir behaapten net, d'Zuele vum Pabeier ze erreechen oder ze iwwertrëffen, an hu keen eegene Benchmark publizéiert; test also Är Clips mat de Schrëtt uewen.
- Noise / Low-Quality Audio/Video-Optiounen am Sproochmenü fir vill Sproochen. Bei enger lauter Datei probéiert Standard an Noise a vergläicht.
- 130+ Sproochen, Multilingual Mix an Iwwersetzung vun Audio op Englesch.
- Dateie bis 5GB an 10 Stonnen, Spriechererkennung an Zäitstempel (all Funktiounen).
- Kloer Input: am Browser ophuelen mam Mikro no, nodeems déi néideg Erlaabnes an Zoustëmmung virleien, oder Video op MP3 konvertéieren, fir nëmmen den Audio eropzelueden.
- Exporten op DOCX, PDF, TXT, CSV, SRT a VTT, plus en Ënnertitelgenerator fir zäitgestempelt Ënnertitelen.
Dir kënnt gratis ouni Kont ufänken. Bezuelpläng fänke bei $9.99/Mount mat jäerlecher Rechnung un; kuckt Präisser.
Heefeg gestallte Froen
Ass Whisper 99% genee?
Net allgemeng. Whisper säi beschte publizéierte Resultat ass eng Wuertfeelerrate vun 2.5% op LibriSpeech test-clean, engem Set vu kloer geliesenen Audiobicher, also ongeféier 97.5% richteg Wierder. Bei Telefonen, Meetings a laute Raim reechen OpenAI seng Zuele vun ongeféier 13% bis 40% WER. Eng „99%“-Ausso huet nëmme Bedeitung, wann den Audio genannt gëtt, op deem gemooss gouf. Tools op Whisper-Basis, och whispertranscribe.ai, solle mat Ären Opnamen bewäert ginn, net mat enger Schlagzeil-Prozentzuel.
Wéi ee Whisper-Modell ass am genausten?
Déi grouss Modeller sinn am genausten. An OpenAI sengem Pabeier hat large-v2 op de meeschten Testsets déi niddregst Feelerrate, an d'large-v3-Modellkaart mellt 10% bis 20% manner Feeler wéi large-v2 iwwer vill Sproochen. Den turbo-Modell ass en optiméierte large-v3, deen no OpenAI wéineg Genauegkeet fir vill méi Geschwindegkeet opgëtt. De klengsten tiny ass bei schwéierem Audio vill manner genee: 48.0% WER bei engem lauten Owesiessen, géint 24.9% fir large-v2.
Firwat schreift Whisper Wierder, déi net gesot goufen?
Whisper kann halluzinéieren, well et trainéiert ass, méiglechen Text virauszesoen an och Toun ze transkribéieren, an OpenAI seng Modellkaart warnt virun Text, deen net am Audio ass. Dat geschitt meeschtens bei laanger Rou, Musek oder Geräischer. Eng onofhängeg Etüd vun 2023 huet halluzinéiert Ausdréck an ongeféier 1% vun Transkriptioune fonnt, a Pausen hunn et méi wahrscheinlech gemaach. Rou erausschneiden, d'Sprooch astellen a roueg Passagen iwwerpréiwen reduzéieren de Risiko.
Wéi genee ass Whisper mat Akzenter?
Whisper behandelt Akzenter besser wéi vill eeler Systemer, awer net gläichméisseg. OpenAI seng Modellkaart seet, d'Genauegkeet variéiert tëscht Akzenter an Dialekter vun enger Sprooch. Am Pabeier haten laang Interviewen op afroamerikaneschem Englesch (CORAAL) 19.6% WER, géint 3.5% fir komplett TED-Virträg, obwuel och d'Opnambedéngungen ënnerschiddlech sinn. Déi verlässlech Approche ass e Clip mat Spriecher ze testen, déi wéi Är reell Opname kléngen, a bei staarken Akzenter méi Kontrollzäit ze plangen.
Ass Whisper sou genee wéi eng mënschlech Transkriptioun?
Fir Englesch kënnt Whisper no, erreecht awer net déi Bescht. OpenAI huet et mat fënnef professionelle Servicer op 25 Opname verglach. E computerassistéierte Service hat en aggregéierte WER 1.15 Punkten ënner Whisper, a véier reng mënschlech Servicer ware mat engem Brochdeel vun engem Punkt besser. Mënsche behandelen Nimm, iwwerlappend Stëmmen an onkloer Sprooch normalerweis nach besser. Fir alles wat zitéiert, agereecht oder publizéiert gëtt, soll eng Persoun den Transkript géint d'Opnam iwwerpréiwen.
Wéi genee ass Whisper fir aner Sproochen wéi Englesch?
Et variéiert staark no Sprooch. Am Fleurs-Benchmark hat large-v2 3.0% WER op Spuenesch, 4.5% op Däitsch an 8.3% op Franséisch, awer 27.1% op Hebräesch an 99.0% op Telugu. Chinesesch a Japanesch gi mat Zeechefeelerrate bewäert: 14.7% a 5.3%. De Pabeier huet fonnt, datt d'Genauegkeet mat der Trainingsaudiomeng pro Sprooch zesummenhänkt. Fir Sprooche mat wéineg Ressourcen test als éischt e kuerze Clip a plangt méi Zäit fir Korrekturen.
Test d'Genauegkeet mat Ärer eegener Opnam
Benchmarke beschreiwen aner Leit hiren Audio. Luet e Clip an enger vun 130+ Sproochen op whispertranscribe.ai erop a bewäert e mat de Schrëtt an dësem Guide. Gratis ouni Kont ufänken oder Pläng vergläichen.
Verwandten Artikelen: Wat ass Whisper AI? · Bescht gratis Transkriptiounssoftware · Bescht TurboScribe-Alternativen · Wéi een e YouTube-Video transkribéiert · Wat ass eng SRT-Datei? · Fest géint separat Ënnertitelen
Quellen
- Radford an anerer, Robust Speech Recognition via Large-Scale Weak Supervision (Whisper-Pabeier, OpenAI, 2022): Tabellen 2, 9, 13 a 16 a Sektiounen 3 bis 6
- OpenAI, openai/whisper op GitHub: README-Modelltabell, turbo-Bemierkung a WER-Grafik no Sprooch
- OpenAI an Hugging Face, whisper-large-v3-Modellkaart: large-v3-Ännerungen, evaluéiert Notzung an Aschränkungen
- Koenecke an anerer, Careless Whisper: Speech-to-Text Hallucination Harms (2024)
- jiwer: Open-Source-Bibliothéik fir WER an CER
- Hugging Face, Open ASR Leaderboard: onofhängege, reegelméisseg aktualiséierte Verglach vun oppene Sproochmodeller
