Oleh Pasukan Editorial whispertranscribe.ai · Dikemas kini: November 2026 · Bacaan 13 minit · Kategori: Ketepatan transkripsi
Sejauh mana ketepatan Whisper? Pada bacaan bahasa Inggeris yang jelas, kertas OpenAI melaporkan kadar ralat perkataan (WER) 2.5% untuk Whisper large-v2, jadi kira-kira 97 hingga 98 daripada 100 perkataan betul. Audio lebih sukar mendapat skor lebih buruk: 13.6% pada panggilan telefon, 24.9% pada majlis makan malam bising dan 39.9% dalam mesyuarat yang dirakam dengan satu mikrofon jauh.
Whisper ialah model pengecaman pertuturan sumber terbuka OpenAI dan enjin di sebalik banyak aplikasi transkripsi, termasuk aplikasi kami. Panduan ini hanya membahas ketepatan: apa yang diukur WER, keputusan penanda aras mengikut jenis audio dan bahasa, kelemahan Whisper dan cara mengujinya sendiri. Untuk latar belakang model, lihat penerangan kami tentang apa itu Whisper AI.
Kebanyakan angka berasal daripada kertas Whisper (Radford et al., 2022), yang menguji setiap model secara “zero-shot”, tanpa penalaan tambahan pada set ujian. Kad model large-v3 yang lebih baharu melaporkan 10% hingga 20% lebih sedikit ralat daripada large-v2 merentas banyak bahasa, tetapi tanpa jadual penuh bagi setiap set data. whispertranscribe.ai menerbitkan artikel ini. Kami tidak menjalankan penanda aras untuknya dan tiada angka di sini merupakan keputusan ujian kami sendiri.
Sekilas ketepatan Whisper
Tiada satu set ujian yang menjawab persoalan ini kerana audio paling banyak mengubah angka. Jadual menunjukkan keputusan OpenAI untuk large-v2 dengan beam search dan temperature fallback (Jadual 9 lampiran), dinilai selepas penormal teks OpenAI.
| Jenis audio | Set ujian dalam kertas | WER Whisper large-v2 | Anggaran bahagian perkataan betul |
|---|---|---|---|
| Buku audio, pembaca jelas | LibriSpeech test-clean | 2.5% | Kira-kira 97.5 dalam 100 |
| Teks berita dibaca | WSJ | 2.6% | Kira-kira 97.4 dalam 100 |
| Ceramah TED | TED-LIUM 3 | 3.7% | Kira-kira 96 dalam 100 |
| Buku audio, penutur lebih sukar | LibriSpeech test-other | 4.9% | Kira-kira 95 dalam 100 |
| Sukarelawan dengan mikrofon rumah | Common Voice 5.1 | 8.2% | Kira-kira 92 dalam 100 |
| Perbualan telefon | Switchboard | 13.6% | Kira-kira 86 dalam 100 |
| Temu bual sosiolinguistik panjang | CORAAL | 14.2% | Kira-kira 86 dalam 100 |
| Panggilan telefon keluarga dan rakan | CallHome | 16.4% | Kira-kira 84 dalam 100 |
| Mesyuarat, setiap orang memakai mikrofon set kepala | AMI IHM | 17.4% | Kira-kira 83 dalam 100 |
| Majlis makan malam, mikrofon jauh | CHiME-6 | 24.9% | Kira-kira 75 dalam 100 |
| Mesyuarat, satu mikrofon meja yang jauh | AMI SDM1 | 39.9% | Kira-kira 60 dalam 100 |
“Bahagian perkataan betul” ialah 100 tolak WER, sebagai anggaran ringkas kerana WER juga mengira perkataan tambahan.
Anda mungkin sering melihat angka 2.7%: itu model sama dengan penyahkodan greedy yang lebih ringkas (Jadual 2 kertas). Baris AMI juga merupakan mesyuarat sama yang dirakam dengan dua cara. Memindahkan mikrofon daripada kepala setiap penutur ke tengah meja menggandakan kadar ralat lebih daripada dua kali.
Apakah kadar ralat perkataan (WER), dan bagaimana ia dikira?
Kadar ralat perkataan ialah bahagian perkataan yang salah dalam transkrip berbanding rujukan yang disemak manusia. Kira tiga jenis ralat dan bahagi dengan perkataan dalam rujukan:
WER = (penggantian + pengguguran + penambahan) ÷ perkataan dalam rujukan
- Penggantian: perkataan salah menggantikan yang betul (“lunch” menggantikan “launch”).
- Pengguguran: perkataan yang disebut tetapi tiada dalam transkrip.
- Penambahan: perkataan dalam transkrip yang tidak disebut sesiapa.
Berikut contoh rekaan yang boleh dinilai menggunakan pustaka sumber terbuka jiwer:
| Baris | Teks |
|---|---|
| Rujukan (22 perkataan) | kami memindahkan pelancaran produk ke sembilan mac kerana pembekal terlepas dua tarikh akhir dan doktor patel mahu pelan ujian yang baharu segera |
| Transkrip | kami memindahkan pelan produk ke sembilan mac kerana pembekal terlepas dua tarikh akhir doktor badal mahu pelan ujian yang baharu segera hari |
| Ralat | 2 penggantian (pelan, badal), 1 pengguguran (dan), 1 penambahan (hari) |
| WER | 4 ÷ 22 = 18.2% |
Tiga perkara tentang WER sering mengelirukan:
- Ia boleh melebihi 100%. Penambahan tiada had dan beberapa bahasa kurang sumber dalam keputusan Fleurs kertas mendapat lebih 100%.
- Penormalan mengubah skor. “Dr.” berbanding “doctor” dikira ralat melainkan kedua-dua teks dibersihkan dengan cara sama. OpenAI menyatakan penormalnya mengurangkan WER sehingga 50% pada beberapa set data, kebanyakannya dengan membuang perbezaan pemformatan.
- Sesetengah bahasa menggunakan kadar ralat aksara (CER). Untuk bahasa Cina, Jepun, Thai, Lao dan Burma yang tidak memisahkan perkataan dengan ruang, kertas ini menilai aksara.
Dakwaan ketepatan tanpa set ujian dan kaedah pemarkahan bernama bukan ukuran, tidak kira siapa yang membuatnya, termasuk kami.
Sejauh mana ketepatan Whisper dalam bahasa Inggeris?
Whisper sangat tepat pada bahasa Inggeris jelas dan masih boleh digunakan pada audio yang kurang kemas. Dalam kertas itu, ia membuat 55.2% lebih sedikit ralat merentas 12 set data Inggeris lain berbanding model wav2vec 2.0 terselia dengan skor LibriSpeech hampir sama.
Rakaman panjang
Whisper membaca audio dalam tetingkap 30 saat, jadi kertas itu menguji fail panjang secara berasingan (Jadual 16 lampiran, large-v2):
| Set ujian panjang | Kandungan | WER |
|---|---|---|
| TED-LIUM 3 | 11 ceramah TED penuh | 3.5% |
| Meanwhile | 64 segmen TV lewat malam, banyak perkataan luar biasa | 5.1% |
| Kincaid46 | 46 rakaman bercampur daripada perbandingan 2018 | 8.8% |
| Earnings-21 | Panggilan pendapatan syarikat | 9.7% |
| Rev16 | 16 episod podcast | 11.3% |
| Earnings-22 | Lebih banyak panggilan pendapatan, pelbagai loghat | 12.6% |
| CORAAL | 231 temu bual penuh dalam bahasa Inggeris Afrika Amerika | 19.6% |
Whisper berbanding transkripsi manusia
OpenAI meminta empat perkhidmatan manusia dan satu perkhidmatan berbantukan komputer mentranskripsi 25 rakaman Kincaid46. Perkhidmatan berbantukan komputer memperoleh skor 1.15 mata peratusan lebih baik daripada Whisper, dan perkhidmatan manusia sepenuhnya hanya sebahagian kecil mata lebih baik. Kesimpulan kertas: belum sempurna tetapi sangat hampir dengan ketepatan manusia.
Saiz model penting
Whisper hadir dalam beberapa saiz dan aplikasi tidak selalu menyatakan yang mana digunakan (Jadual 9 lampiran):
| Model | Parameter | 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% |
Jurang bertambah apabila audio semakin sukar: kira-kira 4 mata pada buku audio jelas, 23 mata pada majlis makan malam. Model turbo yang lebih baharu, large-v3 yang dioptimumkan, menerima penurunan ketepatan minimum menurut README GitHub OpenAI sebagai pertukaran untuk transkripsi jauh lebih pantas.
Sejauh mana ketepatan Whisper dalam bahasa lain?
Di luar bahasa Inggeris, ketepatan kebanyakannya bergantung pada jumlah audio latihan Whisper dalam bahasa tersebut. Kertas itu mendapati korelasi kuasa dua 0.83 antara log jam latihan dan log WER, dan menganggarkan WER berkurang separuh bagi setiap peningkatan 16 kali ganda data. Kebanyakan daripada 96 bahasa bukan Inggeris mempunyai kurang daripada 1,000 jam.
Keputusan Fleurs terpilih (ayat dibaca, large-v2, Jadual 13 lampiran):
| Bahasa | WER Fleurs | Nota |
|---|---|---|
| Sepanyol | 3.0% | Terendah dalam jadual |
| Inggeris | 4.2% | |
| Portugis | 4.3% | |
| Jerman | 4.5% | |
| Jepun | 5.3% | Kadar ralat aksara |
| Rusia | 5.6% | |
| Perancis | 8.3% | |
| Korea | 14.3% | Ditandai sebagai pencilan |
| Cina | 14.7% | Kadar ralat aksara |
| Arab | 16.0% | |
| Hindi | 21.5% | |
| Ibrani | 27.1% | Ditandai sebagai pencilan |
| Swahili | 39.3% | |
| Telugu | 99.0% | Ditandai sebagai pencilan |
Kertas itu menandai bahasa Ibrani, Telugu, Cina dan Korea sebagai berprestasi lebih buruk daripada ramalan berdasarkan data latihan, mungkin kerana jarak linguistik, tokenizer yang kurang sesuai dengan tulisan tersebut atau kualiti data. Fleurs ialah pertuturan dibaca, jadi jangkakan kadar ralat lebih tinggi pada perbualan. README mempunyai carta lebih baharu untuk large-v3 dan large-v2 pada Common Voice 15 dan Fleurs.
Keputusan bahasa Sepanyol menggalakkan jika anda mentranskripsi audio Sepanyol kepada teks. Untuk bahasa kurang sumber, uji klip pendek sebelum memulakan keseluruhan projek.
Apa yang mempengaruhi ketepatan Whisper?
Keadaan rakaman paling penting. Bukti daripada kertas dan kad model:
| Faktor | Apa yang ditunjukkan bukti | Apa yang perlu dilakukan |
|---|---|---|
| Bunyi latar | Dalam bunyi pub pada nisbah isyarat kepada bunyi bawah 10 dB, Whisper mengatasi semua 14 model perbandingan, tetapi setiap model bertambah buruk apabila bunyi meningkat | Rakam di bilik senyap, jauh daripada kipas dan muzik |
| Jarak mikrofon | Mesyuarat AMI sama: 17.4% pada mikrofon set kepala, 39.9% pada satu mikrofon meja | Letakkan mikrofon dekat dengan orang yang bercakap |
| Perbualan dan percakapan bertindih | Panggilan telefon dan majlis makan malam mendapat 13.6% hingga 24.9%, berbanding 2.5% untuk bacaan | Seorang bercakap pada satu masa; satu mikrofon setiap penutur |
| Loghat dan dialek | Kad model melaporkan ketepatan tidak sekata antara loghat dan dialek; temu bual CORAAL panjang mendapat 19.6% | Uji dengan penutur yang bunyinya seperti rakaman sebenar anda |
| Perkataan jarang dan istilah khusus | Baik pada set Meanwhile yang penuh istilah khusus (5.1%), namun nama dan istilah teknikal masih sering salah | Semak nama dan istilah berbanding senarai |
| Sumber bahasa | WER Fleurs antara 3.0% (Sepanyol) hingga 99.0% (Telugu) | Pilih bahasa sendiri; rancang lebih masa semakan untuk bahasa kurang sumber |
| Saiz model | tiny mendapat 48.0% pada CHiME-6, large-v2 24.9% | Tanya model yang digunakan alat, atau gunakan yang terbesar yang mampu |
| Format fail dan kadar sampel | Kod Whisper mensampel semula semua audio kepada mono 16 kHz | WAV 48 kHz tidak menambah manfaat berbanding fail 16 kHz yang jelas |
Menukar MP3 kepada WAV besar tidak memulihkan butiran yang hilang. Rakaman jelas pada kadar bit sederhana lebih baik daripada rakaman bising pada kadar bit tinggi.
Masalah Whisper yang diketahui: halusinasi, gelung dan cap masa
OpenAI mendokumentasikan setiap kegagalan ini, yang kesannya lebih besar daripada bahagian WER yang dicadangkan.
Teks terhalusinasi
Whisper boleh menulis perkataan yang tidak disebut sesiapa. Kad model menyatakan ramalan mungkin mengandungi teks yang tidak disebut dalam input audio, kemungkinan kerana model juga meramal perkataan seterusnya yang berkemungkinan. Bahagian batasan kertas turut menyebut “halusinasi lengkap”, iaitu output yang tidak berkaitan dengan audio.
Kajian bebas, Careless Whisper (Koenecke et al., 2024), menjalankan 13,140 segmen audio melalui Whisper API OpenAI pada April dan Mei 2023. Kira-kira 1% transkripsi (purata 1.4%) mengandungi frasa atau ayat rekaan lengkap, dan 38% daripadanya mengandungi kandungan berbahaya seperti keganasan atau kaitan palsu. Penutur dengan jeda lebih panjang, dalam kajian ini penghidap afasia, lebih kerap mencetuskannya. API telah berubah sejak itu, jadi anggap ini ukuran tahun 2023.
Gelung pengulangan dan perkataan tertinggal
Kad model menyatakan Whisper cenderung menjana teks berulang; beam search dan penjadualan suhu mengurangkannya tetapi tidak sempurna. Kertas itu juga menyenaraikan perkataan pertama atau terakhir segmen yang dilangkau. Pembetulan penyahkodannya mengurangkan purata WER panjang daripada 11.0% kepada 10.0%: lebih baik, tetapi belum selesai.
Senyap, muzik dan kata pengisi
Teks rekaan cenderung muncul dalam senyap panjang dan muzik. Kertas itu mendapati isyarat “tiada pertuturan” Whisper sendiri tidak boleh dipercayai secara bersendirian, dan kod sumber terbuka kini mempunyai pilihan untuk melangkau senyap panjang apabila kemungkinan halusinasi dikesan.
Hanyutan cap masa dan fail panjang
Whisper bergerak melalui audio panjang satu tetingkap 30 saat pada satu masa, menggunakan cap masa ramalannya sendiri untuk meletakkan tetingkap berikutnya, jadi kertas menyatakan kesilapan dalam satu tetingkap boleh terbawa ke tetingkap seterusnya. Cap masa pada peringkat perkataan ditandai “eksperimental” dalam kod. Untuk sari kata, semak masa sekitar jeda.
Semasa pembangunan, OpenAI juga melihat Whisper meneka nama penutur yang hampir sentiasa salah. Model yang dikeluarkan ditala tambahan untuk mengurangkannya, tetapi semak setiap nama dalam teks.
10 cara meningkatkan ketepatan transkripsi Whisper
Kebanyakan peningkatan berlaku sebelum anda menekan transkripsi. Disusun secara kasar daripada kesan terbesar kepada terkecil:
- Letakkan mikrofon dekat. Jarak sahaja menggandakan kadar ralat lebih dua kali dalam mesyuarat AMI.
- Kurangkan bunyi pada sumber. Tutup tingkap, matikan kipas, jedakan muzik.
- Elakkan percakapan bertindih. Seorang bercakap pada satu masa lebih baik daripada sebarang tetapan.
- Potong senyap panjang dan pembukaan muzik, tempat teks rekaan paling kerap muncul. Potong pada jeda, bukan di tengah ayat.
- Tetapkan bahasa sendiri. Whisper mengenal pasti bahasa dengan betul 80.3% masa merentas 82 bahasa Fleurs, jadi pengesanan automatik boleh tersilap pada klip pendek atau berloghat.
- Gunakan model terbesar yang tersedia, terutama untuk rakaman bising.
- Berikan nama dan istilah dalam prompt jika mengehos sendiri. Whisper sumber terbuka menerima
--initial_promptdengan ejaan yang dijangka. - Muat naik fail asal. Merakam semula melalui pembesar suara atau memampatkan berulang kali membuang butiran.
- Semak istilah. Cari setiap nama, nombor, tarikh dan akronim, dan sahkan berbanding audio.
- Semak dalam dua pusingan. Mula-mula betulkan ralat pada kelajuan biasa. Kemudian cari tanda halusinasi: baris berulang, ayat ketika senyap, ucapan penutup seperti “Terima kasih kerana menonton.” Untuk kerja undang-undang, perubatan atau penerbitan, minta manusia menyemak semuanya.
Cara mengukur ketepatan Whisper pada audio sendiri
Anggaran terbaik untuk kerja anda ialah ujian 30 minit pada rakaman sendiri. Langkah ini untuk anda jalankan; ini bukan ujian whispertranscribe.ai.
- Pilih tiga klip 2 minit seperti kerja sebenar anda: satu mudah, satu biasa, satu sukar.
- Tulis transkrip rujukan dengan tangan, perkataan demi perkataan. Tetapkan peraturan dahulu: kekalkan atau buang “erm”, digit atau perkataan untuk nombor.
- Transkripsikan setiap klip dengan alat yang diuji dan simpan teks biasa.
- Normalkan kedua-dua teks dengan cara sama. Penormal OpenAI disertakan dengan
openai-whisper. - Kira WER dengan 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}")
- Kira ralat kritikal secara berasingan. Lima kata pengisi salah dan lima nama pelanggan salah memberikan WER sama tetapi bukan masalah sama.
- Catat keputusan supaya anda boleh membandingkan alat atau tetapan:
| Klip | Keadaan | Perkataan rujukan | S | D | I | WER | Ralat kritikal |
|---|---|---|---|---|---|---|---|
| Klip A | Bilik senyap, seorang penutur | 310 | |||||
| Klip B | Panggilan video, dua penutur | 285 | |||||
| Klip C | Kafe, penutur berloghat | 296 |
Bilangan perkataan ialah contoh. Berhati-hati pada langkah 4: penormal Inggeris boleh menyamakan “Dr.” dengan “doctor” dan “two” dengan “2”, tetapi perbezaan seperti “9th” dan “ninth” masih boleh dikira sebagai ralat. Baca perbezaan yang ditandai sebelum mempercayai skor.
Sejauh mana ketepatan whispertranscribe.ai?
whispertranscribe.ai ialah alat transkripsi AI berasaskan web yang dikuasakan Whisper dan menyokong 130+ bahasa, dengan muat naik sehingga 5GB dan 10 jam. Ketepatan mencapai sehingga 99% pada audio jelas; bunyi latar, loghat pekat dan percakapan bertindih mengurangkannya, seperti ditunjukkan penanda aras di atas untuk Whisper sendiri. Kami tidak mendakwa menyamai atau mengatasi angka kertas dan belum menerbitkan penanda aras sendiri, jadi uji klip anda dengan langkah di atas.
- Pilihan Noise / Low-Quality Audio/Video dalam pemilih bahasa untuk banyak bahasa. Pada fail bising, cuba pilihan standard dan bunyi lalu bandingkan.
- 130+ bahasa, pilihan Multilingual Mix dan terjemahan audio ke bahasa Inggeris.
- Fail sehingga 5GB dan 10 jam, pengesanan penutur dan cap masa (semua ciri).
- Input jelas: rakam dalam pelayar dengan mikrofon dekat, atau tukar video kepada MP3 untuk memuat naik audio sahaja. Dapatkan persetujuan yang diperlukan sebelum merakam.
- Eksport ke DOCX, PDF, TXT, CSV, SRT dan VTT, serta penjana sari kata untuk kapsyen bermasa.
Anda boleh bermula secara percuma tanpa akaun. Pelan berbayar bermula $9.99/bulan dibilkan tahunan; lihat harga.
Soalan lazim
Adakah Whisper 99% tepat?
Bukan secara umum. Keputusan terbaik Whisper yang diterbitkan ialah kadar ralat perkataan 2.5% pada LibriSpeech test-clean, set buku audio yang dibaca dengan jelas, iaitu kira-kira 97.5% perkataan betul. Pada panggilan telefon, mesyuarat dan bilik bising, angka OpenAI sendiri antara kira-kira 13% hingga 40% WER. Dakwaan “99%” hanya bermakna jika menyatakan audio yang diukur. Alat berasaskan Whisper, termasuk whispertranscribe.ai, patut dinilai berdasarkan rakaman anda, bukan peratusan tajuk.
Model Whisper manakah paling tepat?
Model large paling tepat. Dalam kertas OpenAI, large-v2 mempunyai kadar ralat terendah pada kebanyakan set ujian, dan kad model large-v3 melaporkan 10% hingga 20% lebih sedikit ralat berbanding large-v2 merentas banyak bahasa. Model turbo ialah large-v3 yang dioptimumkan dan menurut OpenAI hanya kehilangan sedikit ketepatan sebagai pertukaran kelajuan yang jauh lebih tinggi. Model terkecil, tiny, jauh kurang tepat pada audio sukar: WER 48.0% pada majlis makan malam bising, berbanding 24.9% untuk large-v2.
Mengapa Whisper menulis perkataan yang tidak disebut?
Whisper boleh berhalusinasi kerana ia dilatih meramalkan teks yang mungkin serta mentranskripsi bunyi, dan kad model OpenAI memberi amaran bahawa ia boleh mengeluarkan teks yang tiada dalam audio. Ini paling kerap berlaku semasa senyap panjang, muzik atau bunyi. Kajian bebas 2023 mendapati frasa halusinasi dalam kira-kira 1% transkripsi, dan jeda meningkatkan kemungkinannya. Memotong senyap, menetapkan bahasa dan menyemak bahagian senyap transkrip mengurangkan risiko.
Sejauh mana ketepatan Whisper dengan loghat?
Whisper mengendalikan loghat lebih baik daripada banyak sistem lama, tetapi tidak secara sekata. Kad model OpenAI menyatakan ketepatan berbeza antara loghat dan dialek bahasa yang sama. Dalam kertas itu, temu bual panjang dalam bahasa Inggeris Afrika Amerika (CORAAL) mendapat WER 19.6%, berbanding 3.5% untuk ceramah TED penuh, walaupun keadaan rakaman juga berbeza. Pendekatan yang boleh dipercayai ialah menguji klip dengan penutur yang bunyinya seperti rakaman sebenar anda dan merancang lebih banyak semakan apabila loghat pekat.
Adakah Whisper setepat penyalin manusia?
Untuk bahasa Inggeris, Whisper hampir tetapi tidak menyamai yang terbaik. OpenAI membandingkannya dengan lima perkhidmatan profesional pada 25 rakaman. Perkhidmatan berbantukan komputer mempunyai WER agregat 1.15 mata lebih rendah daripada Whisper, dan empat perkhidmatan manusia sepenuhnya lebih baik sebahagian kecil mata. Manusia masih cenderung mengendalikan nama, percakapan bertindih dan pertuturan kurang jelas dengan lebih baik. Untuk apa-apa yang dipetik, difailkan atau diterbitkan, seseorang patut menyemak transkrip berbanding rakaman.
Sejauh mana ketepatan Whisper dalam bahasa selain Inggeris?
Ia sangat berbeza mengikut bahasa. Pada penanda aras Fleurs, large-v2 mendapat WER 3.0% dalam bahasa Sepanyol, 4.5% dalam bahasa Jerman dan 8.3% dalam bahasa Perancis, tetapi 27.1% dalam bahasa Ibrani dan 99.0% dalam bahasa Telugu. Bahasa Cina dan Jepun dinilai berdasarkan kadar ralat aksara: 14.7% dan 5.3%. Kertas itu mendapati ketepatan berkaitan dengan jumlah audio latihan setiap bahasa. Untuk bahasa kurang sumber, uji klip pendek dahulu dan sediakan lebih masa untuk pembetulan.
Uji ketepatan pada rakaman sendiri
Penanda aras menerangkan audio orang lain. Muat naik klip ke whispertranscribe.ai dalam salah satu daripada 130+ bahasa dan nilai dengan langkah dalam panduan ini. Mulakan percuma tanpa akaun, atau bandingkan pelan.
Artikel berkaitan: Apakah Whisper AI? · Perisian transkripsi percuma terbaik · Alternatif TurboScribe terbaik · Cara mentranskripsi video YouTube · Apakah fail SRT? · Sari kata kekal vs pilihan
Rujukan
- Radford et al., Robust Speech Recognition via Large-Scale Weak Supervision (kertas Whisper, OpenAI, 2022): Jadual 2, 9, 13 dan 16 serta Bahagian 3 hingga 6
- OpenAI, openai/whisper di GitHub: jadual model README, nota turbo dan carta WER mengikut bahasa
- OpenAI dan Hugging Face, kad model whisper-large-v3: perubahan large-v3, penggunaan yang dinilai dan batasan
- Koenecke et al., Careless Whisper: Speech-to-Text Hallucination Harms (2024)
- jiwer: pustaka sumber terbuka untuk WER dan CER
- Hugging Face, Open ASR Leaderboard: perbandingan bebas model pertuturan terbuka yang dikemas kini secara berkala
