Whisper AI कति सही छ? WER, वास्तविक सीमा र सुझाव (2026)

लेखक: whispertranscribe.ai सम्पादकीय टोली · अन्तिम अद्यावधिक: नोभेम्बर 2026 · पढ्ने समय: 13 मिनेट · श्रेणी: ट्रान्सक्रिप्सन शुद्धता

Whisper कति सही छ? सफा पढिएको अंग्रेजीमा OpenAI अनुसन्धानले Whisper large-v2 को शब्द त्रुटिदर (WER) 2.5% बताउँछ, अर्थात् 100 मध्ये करिब 97–98 शब्द सही। कठिन अडियोमा नतिजा खराब हुन्छ: फोनमा 13.6%, हल्लायुक्त रात्रिभोजमा 24.9% र टाढाको एक माइकले रेकर्ड बैठकमा 39.9%।

Whisper OpenAI को खुला स्रोत वाक् पहिचान मोडेल हो र हाम्रो सहित धेरै ट्रान्सक्रिप्सन एपको इन्जिन हो। यो गाइड शुद्धतामा केन्द्रित छ: WER के नाप्छ, अडियो र भाषाअनुसार परीक्षणले के देखाउँछन्, Whisper कहाँ चुक्छ र आफैँ कसरी जाँच्ने। मोडेलको पृष्ठभूमि Whisper AI के हो मा हेर्नुहोस्।

धेरै संख्या Whisper अनुसन्धान बाट हुन् (Radford र सहकर्मी, 2022), जहाँ परीक्षण सेटमा थप तालिम नगरी सबै मोडेल zero-shot जाँचिए। नयाँ large-v3 मोडेल कार्ड अनुसार धेरै भाषामा large-v2 भन्दा 10% देखि 20% कम त्रुटि छन्, तर हरेक डेटासेटको पूरा तालिका छैन। यो लेख whispertranscribe.ai ले प्रकाशित गर्छ। यसका लागि हामीले बेन्चमार्क चलाएका छैनौँ र कुनै संख्या हाम्रो आफ्नै परीक्षण होइन।

Whisper शुद्धता एक नजरमा

एउटा परीक्षण सेटले मात्र उत्तर दिँदैन, किनकि अडियोले नतिजा सबैभन्दा बढी बदल्छ। तालिकामा OpenAI को large-v2, beam search र temperature fallback सहित, को नतिजा छ (परिशिष्ट तालिका 9), OpenAI को पाठ normalizer पछि मापन गरिएको।

अडियो प्रकार अनुसन्धानको परीक्षण सेट Whisper large-v2 WER सही शब्दको अनुमानित हिस्सा
अडियोबुक, स्पष्ट पाठक LibriSpeech test-clean 2.5% 100 मा करिब 97.5
पढिएको समाचार WSJ 2.6% 100 मा करिब 97.4
TED भाषण TED-LIUM 3 3.7% 100 मा करिब 96
अडियोबुक, बुझ्न कठिन वक्ता LibriSpeech test-other 4.9% 100 मा करिब 95
घरको माइकमा स्वयंसेवक Common Voice 5.1 8.2% 100 मा करिब 92
फोन कुराकानी Switchboard 13.6% 100 मा करिब 86
लामो समाजभाषिक अन्तर्वार्ता CORAAL 14.2% 100 मा करिब 86
परिवार र साथीका फोन कल CallHome 16.4% 100 मा करिब 84
बैठक, हरेक व्यक्तिमा हेडसेट माइक AMI IHM 17.4% 100 मा करिब 83
रात्रिभोज, टाढाका माइक CHiME-6 24.9% 100 मा करिब 75
बैठक, एउटा टाढाको टेबल माइक AMI SDM1 39.9% 100 मा करिब 60

«सही शब्दको हिस्सा» 100 बाट WER घटाइएको अनुमान हो, किनकि WER ले थपिएका शब्द पनि गन्छ।

2.7% पनि धेरै उद्धृत हुन्छ: त्यो एउटै मोडेलको सरल greedy decoding नतिजा हो (मूल अनुसन्धानको तालिका 2)। AMI का पङ्क्ति एउटै बैठक दुई तरिकाले रेकर्ड गरिएका हुन्। प्रत्येक वक्ताको टाउको नजिकबाट माइक टेबलको बीचमा सार्दा त्रुटिदर दोब्बरभन्दा बढी हुन्छ।

शब्द त्रुटिदर (WER) के हो र कसरी गणना गरिन्छ?

WER ले मानिसले जाँचेको सन्दर्भ पाठको तुलनामा ट्रान्सक्रिप्टका गलत शब्दको हिस्सा नाप्छ। तीन प्रकारका त्रुटि गनेर सन्दर्भका शब्दले भाग गर्नुहोस्:

WER = (प्रतिस्थापन + हटाइएका + थपिएका) ÷ सन्दर्भका शब्द

  • प्रतिस्थापन: सही शब्दको सट्टा गलत शब्द, जस्तै अंग्रेजी «launch» को सट्टा «lunch»।
  • हटाइएको: भनिएको शब्द ट्रान्सक्रिप्टमा छुट्नु।
  • थपिएको: कसैले नभनेको शब्द पाठमा आउनु।

मूल अंग्रेजी लेखको खुला स्रोत jiwer बाट मापन गरिएको उदाहरणको अवधारणा नेपालीमा यसरी देखाउन सकिन्छ:

लाइन पाठ
सन्दर्भ (22 शब्द) हामीले उत्पादन सुरुवात मार्च नौ मा सार्यौँ किनभने आपूर्तिकर्ताले दुई समयसीमा गुमायो र डाक्टर पाटेल नयाँ परीक्षण योजना चाहन्छन् अब अर्को साता
ट्रान्सक्रिप्ट हामीले उत्पादन सूचना मार्च नौ मा सार्यौँ किनभने आपूर्तिकर्ताले समयसीमा गुमायो र डाक्टर बाटेल नयाँ परीक्षण योजना चाहन्छन् अब अर्को साता आज
त्रुटि 2 प्रतिस्थापन (सूचना, बाटेल), 1 हटाइएको (दुई), 1 थपिएको (आज)
WER 4 ÷ 22 = 18.2%

WER मा तीन कुरा झुक्याउन सक्छन्:

  1. 100% भन्दा माथि जान सक्छ। थपिएका शब्दमा सीमा हुँदैन र अनुसन्धानको Fleurs नतिजामा केही कम स्रोत भएका भाषा 100% भन्दा माथि छन्।
  2. Normalization ले अंक बदल्छ। «Dr.» र «doctor» दुवै पाठ एउटै तरिकाले सफा नगरे त्रुटि गनिन्छ। OpenAI अनुसार यसको normalizer ले केही सेटमा मुख्यतः ढाँचा फरक हटाएर WER 50% सम्म घटायो।
  3. केही भाषामा अक्षर त्रुटिदर (CER) प्रयोग हुन्छ। चिनियाँ, जापानी, थाई, लाओ र बर्मेलीमा शब्द प्रायः स्पेसले नछुट्टिने भएकाले अनुसन्धानले अक्षर नाप्छ।

परीक्षण सेट र मापन तरिका नखुलाएको शुद्धताको दाबी मापन होइन, हामीसहित जसले गरे पनि।

Whisper अंग्रेजीमा कति सही छ?

Whisper सफा अंग्रेजीमा धेरै सही र असजिलो अंग्रेजीमा पनि उपयोगी रहन्छ। अनुसन्धानमा लगभग समान LibriSpeech अंक भएको supervised wav2vec 2.0 भन्दा अन्य 12 अंग्रेजी डेटासेटमा 55.2% कम त्रुटि गर्‍यो।

लामो रेकर्डिङ

Whisper 30 सेकेन्डका विन्डोमा अडियो पढ्छ, त्यसैले अनुसन्धानले लामो फाइल छुट्टै जाँच्यो (परिशिष्ट तालिका 16, large-v2):

लामो परीक्षण सेट सामग्री WER
TED-LIUM 3 11 पूरा TED भाषण 3.5%
Meanwhile असामान्य शब्द धेरै भएका रातिका टिभीका 64 खण्ड 5.1%
Kincaid46 2018 को तुलनाका 46 विविध रेकर्डिङ 8.8%
Earnings-21 कम्पनी आम्दानीसम्बन्धी कल 9.7%
Rev16 16 पोडकास्ट एपिसोड 11.3%
Earnings-22 थप आम्दानी कल, धेरै लवज 12.6%
CORAAL अफ्रिकी अमेरिकी अंग्रेजीका 231 पूरा अन्तर्वार्ता 19.6%

Whisper र मानव ट्रान्सक्राइबर

OpenAI ले 25 Kincaid46 रेकर्डिङ चार मानव सेवा र एक कम्प्युटर-सहायता सेवाबाट ट्रान्सक्राइब गरायो। कम्प्युटर-सहायता सेवाको अंक Whisper भन्दा 1.15 प्रतिशत बिन्दु राम्रो र पूर्ण मानव सेवाको केही अंश मात्र राम्रो थियो। अनुसन्धानले यसलाई पूर्ण नभए पनि मानव स्तरको शुद्धतानजिक भनेको छ।

मोडेलको आकार महत्त्वपूर्ण छ

Whisper विभिन्न आकारमा आउँछ र एपले कुन प्रयोग गर्छ सधैँ भन्दैन (परिशिष्ट तालिका 9):

मोडेल प्यारामिटर 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%

अडियो कठिन हुँदा अन्तर बढ्छ: सफा अडियोबुकमा करिब 4 बिन्दु र हल्लायुक्त भोजमा 23 बिन्दु। नयाँ turbo अनुकूलित large-v3 हो, जसले OpenAI को GitHub README अनुसार शुद्धता अलिकति घटाएर धेरै छिटो ट्रान्सक्राइब गर्छ।

Whisper अन्य भाषामा कति सही छ?

अंग्रेजीबाहिर शुद्धता मुख्यतः उक्त भाषाको तालिम अडियोमा निर्भर हुन्छ। अनुसन्धानले तालिम घण्टाको log र WER को log बीच 0.83 वर्ग सहसम्बन्ध पायो र डेटा 16 गुणा बढ्दा WER आधा हुने अनुमान गर्‍यो। अन्य 96 भाषामध्ये अधिकांशमा 1,000 घण्टाभन्दा कम थियो।

छानिएका Fleurs नतिजा, पढिएका वाक्य, large-v2, परिशिष्ट तालिका 13:

भाषा Fleurs WER टिप्पणी
स्पेनिस 3.0% तालिकामा सबैभन्दा कम
अंग्रेजी 4.2%
पोर्चुगिज 4.3%
जर्मन 4.5%
जापानी 5.3% अक्षर त्रुटिदर
रुसी 5.6%
फ्रेन्च 8.3%
कोरियन 14.3% अपवादका रूपमा उल्लेख
चिनियाँ 14.7% अक्षर त्रुटिदर
अरबी 16.0%
हिन्दी 21.5%
हिब्रु 27.1% अपवादका रूपमा उल्लेख
स्वाहिली 39.3%
तेलुगु 99.0% अपवादका रूपमा उल्लेख

अनुसन्धानले हिब्रु, तेलुगु, चिनियाँ र कोरियनलाई तालिम डेटाले अनुमान गरेभन्दा कमजोर देखाउँछ; सम्भावित कारण भाषिक दूरी, लिपिसँग नमिल्ने tokenizer वा डेटा गुणस्तर हुन सक्छ। Fleurs पढिएको बोलाइ हो, त्यसैले कुराकानीमा थप त्रुटि हुन सक्छ। README मा Common Voice 15 र Fleurs मा large-v3 र large-v2 को नयाँ चार्ट छ।

यदि तपाईं स्पेनिस अडियोलाई पाठमा बदल्नुहुन्छ भने स्पेनिस नतिजा उत्साहजनक छन्। कम स्रोत भएको भाषामा पूरा परियोजनाअघि छोटो क्लिप जाँच्नुहोस्।

Whisper को शुद्धतामा के असर पर्छ?

सबैभन्दा बढी रेकर्डिङको अवस्था महत्त्वपूर्ण छ। अनुसन्धान र मोडेल कार्डका प्रमाण:

कारक प्रमाणले के देखाउँछ के गर्ने
पृष्ठभूमि आवाज पबको हल्लामा 10 dB भन्दा कम signal-to-noise ratio मा Whisper ले सबै 14 तुलनात्मक मोडेललाई जित्यो, तर हल्ला बढ्दा सबै खराब भए पंखा र संगीतबाट टाढा शान्त कोठामा रेकर्ड
माइक्रोफोन दूरी उही AMI बैठक: हेडसेट माइकमा 17.4%, एउटा टेबल माइकमा 39.9% माइक वक्तानजिक राख्नुहोस्
कुराकानी र आवाज जुध्नु फोन र रात्रिभोजमा 13.6% देखि 24.9%, पढिएको बोलाइमा 2.5% एकपटकमा एक वक्ता; प्रत्येकलाई माइक
लवज र बोली मोडेल कार्डमा फरक लवजमा असमान शुद्धता; लामो CORAAL अन्तर्वार्तामा 19.6% वास्तविक रेकर्डिङजस्तै वक्तामा परीक्षण
दुर्लभ शब्द र प्राविधिक शब्द धेरै विशेष शब्द भएको Meanwhile मा राम्रो 5.1%, तर नाम र प्राविधिक शब्दमा त्रुटि सामान्य नाम र शब्द सूचीसँग जाँच्नुहोस्
भाषागत स्रोत Fleurs WER स्पेनिस 3.0% देखि तेलुगु 99.0% सम्म भाषा आफैँ छान्नुहोस्; कम स्रोत भाषामा थप जाँच योजना
मोडेल आकार CHiME-6 मा tiny 48.0%, large-v2 24.9% उपकरणले कुन मोडेल चलाउँछ सोध्नुहोस् वा उपलब्ध सबैभन्दा ठूलो प्रयोग
फाइल ढाँचा र sample rate Whisper को कोड सबै अडियो 16 kHz mono मा resample गर्छ सफा 16 kHz फाइलमाथि 48 kHz WAV ले लाभ दिँदैन

MP3 लाई ठूलो WAV बनाउँदा हराएको विवरण फर्किँदैन। सामान्य bitrate को सफा रेकर्डिङ उच्च bitrate को हल्लायुक्त रेकर्डिङभन्दा राम्रो हुन्छ।

Whisper का ज्ञात समस्या: कल्पित पाठ, दोहोराइ र समय

OpenAI ले यी प्रत्येक त्रुटि दस्तावेज गरेको छ, जसको महत्त्व WER मा देखिने हिस्साभन्दा बढी छ।

कल्पित पाठ

Whisper ले कसैले नभनेका शब्द लेख्न सक्छ। मोडेल कार्डअनुसार आउटपुटमा अडियोमा नभएको पाठ हुन सक्छ, सम्भवतः मोडेलले सम्भावित अर्को शब्द पनि अनुमान गर्ने भएकाले। अनुसन्धानको सीमा भागले अडियोसँग सम्बन्धै नभएको पूर्ण कल्पित आउटपुट पनि उल्लेख गर्छ।

स्वतन्त्र अध्ययन Careless Whisper (Koenecke र सहकर्मी, 2024) ले अप्रिल र मे 2023 मा OpenAI Whisper API मा 13,140 अडियो खण्ड चलायो। करिब 1% ट्रान्सक्रिप्सनमा, औसत 1.4%, पूरा बनावटी वाक्यांश वा वाक्य थिए र तीमध्ये 38% मा हिंसा वा झूटा सम्बन्ध जस्ता हानिकारक सामग्री थिए। लामो विराम भएका वक्ता, यहाँ aphasia भएका व्यक्ति, मा बढी देखियो। त्यसपछि API बदलेकाले यसलाई 2023 को मापन मान्नुहोस्।

दोहोरिने चक्र र छुटेका शब्द

मोडेल कार्डले Whisper दोहोरिने पाठ उत्पादन गर्न सक्ने र beam search तथा temperature scheduling ले कम गरे पनि पूर्ण नहटाउने बताउँछ। अनुसन्धानले खण्डको पहिलो वा अन्तिम शब्द छुट्न सक्ने पनि बताउँछ। decoding सुधारले लामो सामग्रीको औसत WER 11.0% बाट 10.0% बनायो: राम्रो, तर समस्या हल होइन।

मौनता, संगीत र भरुवा शब्द

लामो मौनता र संगीतमा बनावटी पाठ देखिने गर्छ। अनुसन्धानले Whisper को आफ्नै «no speech» संकेत एक्लै अविश्वसनीय भेट्यो र खुला स्रोत कोडमा सम्भावित hallucination भेट्दा लामो मौनता छोड्ने विकल्प छ।

समय सर्ने र लामो फाइल

Whisper लामो अडियोमा 30 सेकेन्डको विन्डो गर्दै जान्छ र अर्को राख्न आफ्नै अनुमानित समय प्रयोग गर्छ; अनुसन्धानअनुसार एउटा विन्डोको त्रुटि अर्कोमा सर्न सक्छ। कोडमा शब्दस्तर टाइमस्ट्याम्प «experimental» छ। सबटाइटलमा विराम वरपर समय जाँच्नुहोस्।

विकासका बेला OpenAI ले Whisper ले वक्ताका नाम अनुमान गरेको र ती प्रायः गलत भएको देख्यो। प्रकाशित मोडेलमा यो बानी घटाउन थप तालिम दिइयो, तर पाठको कुनै पनि नाम जाँच्नुहोस्।

Whisper ट्रान्सक्रिप्सन शुद्धता बढाउने 10 उपाय

धेरै सुधार ट्रान्सक्राइब थिच्नुअघि नै हुन्छन्। लगभग ठूलोदेखि सानो प्रभावको क्रममा:

  1. माइक नजिक राख्नुहोस्। AMI बैठकमा दूरीले मात्र त्रुटिदर दोब्बरभन्दा बढी बनायो।
  2. स्रोतमै आवाज घटाउनुहोस्। झ्याल बन्द, पंखा बन्द र संगीत रोक्नुहोस्।
  3. एकैपटक बोल्न नदिनुहोस्। पालैपालो बोल्नु कुनै पनि सेटिङभन्दा राम्रो।
  4. लामो मौनता र संगीतको सुरुवात काट्नुहोस्, जहाँ कल्पित पाठ धेरै आउँछ। विराममा काट्नुहोस्, वाक्यबीच होइन।
  5. भाषा आफैँ तोक्नुहोस्। Whisper ले 82 Fleurs भाषामा 80.3% पटक भाषा सही चिन्यो; छोटो वा लवजयुक्त क्लिपमा स्वतः पहिचान चुक्न सक्छ।
  6. उपलब्ध सबैभन्दा ठूलो मोडेल प्रयोग गर्नुहोस्, विशेष गरी आवाज भएको रेकर्डिङमा।
  7. आफैँ होस्ट गर्दा नाम र शब्दको संकेत दिनुहोस्। खुला स्रोत Whisper ले अपेक्षित हिज्जेका लागि --initial_prompt स्वीकार्छ।
  8. मूल फाइल अपलोड गर्नुहोस्। स्पिकरबाट फेरि रेकर्ड वा बारम्बार कम्प्रेस गर्दा विवरण हराउँछ।
  9. शब्दसूची जाँच्नुहोस्। प्रत्येक नाम, संख्या, मिति र संक्षेप खोजेर अडियोसँग मिलाउनुहोस्।
  10. दुई चरणमा समीक्षा। पहिले सामान्य गतिमा त्रुटि सच्याउनुहोस्। त्यसपछि दोहोरिएका लाइन, मौनतामा वाक्य र «हेरिदिनुभएकोमा धन्यवाद» जस्ता अन्त्य खोज्नुहोस्। कानुनी, चिकित्सा वा प्रकाशित काममा सबै कुरा मानिसले जाँचोस्।

आफ्नै अडियोमा Whisper शुद्धता कसरी मापन गर्ने?

तपाईंको कामका लागि उत्तम अनुमान आफ्नै रेकर्डिङमा 30 मिनेटको परीक्षण हो। यी चरण तपाईंले चलाउने हुन्; whispertranscribe.ai को परीक्षण होइनन्।

  1. तीनवटा 2 मिनेटका क्लिप छान्नुहोस्, वास्तविक कामजस्तै: एउटा सजिलो, एउटा सामान्य, एउटा कठिन।
  2. सन्दर्भ ट्रान्सक्रिप्ट हातले लेख्नुहोस्, शब्दशः। पहिले नियम बनाउनुहोस्: «उम्» राख्ने कि हटाउने, संख्या अंक वा शब्द।
  3. प्रत्येक क्लिप ट्रान्सक्राइब गर्नुहोस् र सादा पाठ सुरक्षित गर्नुहोस्।
  4. दुवै पाठ समान तरिकाले normalize गर्नुहोस्। OpenAI normalizer openai-whisper सँग आउँछ।
  5. jiwer बाट WER गणना गर्नुहोस्:
# 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. महत्त्वपूर्ण त्रुटि छुट्टै गन्नुहोस्। पाँच गलत भरुवा शब्द र पाँच गलत ग्राहक नामको WER समान भए पनि समस्या समान होइन।
  2. नतिजा लेख्नुहोस् ताकि उपकरण वा सेटिङ तुलना गर्न सकियोस्:
क्लिप अवस्था सन्दर्भ शब्द S D I WER गम्भीर त्रुटि
क्लिप A शान्त कोठा, एक वक्ता 310
क्लिप B भिडियो कल, दुई वक्ता 285
क्लिप C क्याफे, लवजयुक्त वक्ता 296

शब्दसंख्या उदाहरणका लागि हुन्। चरण 4 मा सावधानी: मूल अंग्रेजी लेखले आफ्नै बनाएको वाक्यमा OpenAI अंग्रेजी normalizer चलाउँदा «Dr.» र «doctor», «two» र «2» मिलाए पनि «9th» र «ninth» लाई त्रुटि गनेको रिपोर्ट गर्छ। अंकमा भर पर्नुअघि देखाइएका फरक पढ्नुहोस्।

whispertranscribe.ai कति सही छ?

whispertranscribe.ai Whisper मा आधारित वेब AI ट्रान्सक्रिप्सन उपकरण हो जसले 130 भन्दा बढी भाषा र 5GB तथा 10 घण्टासम्म अपलोड लिन्छ। सफा अडियोमा शुद्धता 99% सम्म पुग्छ; पृष्ठभूमि आवाज, लवज र एकैपटक बोलाइले घटाउँछन्, माथिका Whisper बेन्चमार्कले देखाएजस्तै। हामी अनुसन्धानका अंक बराबर वा राम्रो दाबी गर्दैनौँ र आफ्नै बेन्चमार्क प्रकाशित गरेका छैनौँ, त्यसैले माथिका चरणबाट आफ्नो क्लिप जाँच्नुहोस्।

खाताबिना निःशुल्क सुरु गर्न सकिन्छ। सशुल्क योजना वार्षिक भुक्तानीमा मासिक 9.99 डलरबाट; मूल्य हेर्नुहोस्।

बारम्बार सोधिने प्रश्न

के Whisper 99% सही छ?

सामान्य रूपमा होइन। प्रकाशित उत्कृष्ट नतिजा स्पष्ट पढिएको अडियोबुक LibriSpeech test-clean मा 2.5% WER, अर्थात् करिब 97.5% सही शब्द हो। फोन, बैठक र हल्लायुक्त कोठामा OpenAI का नतिजा करिब 13% देखि 40% WER छन्। «99%» दाबी कुन अडियोमा नापिएको हो भने मात्र अर्थपूर्ण हुन्छ। whispertranscribe.ai सहित Whisper आधारित उपकरणलाई विज्ञापन प्रतिशत होइन, आफ्नो रेकर्डिङमा जाँच्नुहोस्।

कुन Whisper मोडेल सबैभन्दा सही छ?

ठूला मोडेल बढी सही छन्। OpenAI अनुसन्धानमा large-v2 धेरै परीक्षणमा सबैभन्दा कम त्रुटि र large-v3 कार्डमा धेरै भाषामा large-v2 भन्दा 10% देखि 20% कम त्रुटि रिपोर्ट गरिएको छ। turbo अनुकूलित large-v3 हो; OpenAI अनुसार धेरै गतिका लागि शुद्धता थोरै घट्छ। सबैभन्दा सानो tiny कठिन अडियोमा धेरै कमजोर छ: हल्लायुक्त रात्रिभोजमा 48.0% WER, large-v2 मा 24.9%।

Whisper ले नभनिएका शब्द किन लेख्छ?

Whisper ले ध्वनि ट्रान्सक्राइब मात्र होइन, सम्भावित पाठ अनुमान पनि गर्ने भएकाले कल्पित शब्द आउन सक्छ; OpenAI मोडेल कार्डले अडियोमा नभएको पाठ आउन सक्ने चेतावनी दिन्छ। लामो मौनता, संगीत वा हल्लामा बढी हुन्छ। 2023 को स्वतन्त्र परीक्षणले करिब 1% पाठमा कल्पित वाक्यांश र लामो विराममा बढी सम्भावना पायो। मौनता काट्ने, भाषा सेट गर्ने र शान्त भाग समीक्षा गर्दा जोखिम घट्छ।

लवजमा Whisper कति सही हुन्छ?

धेरै पुराना प्रणालीभन्दा लवज राम्रो सम्हाले पनि सबैमा बराबर छैन। OpenAI कार्डअनुसार एउटै भाषाका लवज र बोलीमा शुद्धता फरक हुन्छ। अनुसन्धानमा अफ्रिकी अमेरिकी अंग्रेजी CORAAL का लामो अन्तर्वार्तामा 19.6% WER र पूरा TED भाषणमा 3.5% थियो, यद्यपि रेकर्डिङ अवस्था पनि फरक थियो। आफ्नै जस्ता वक्ताको क्लिप जाँच्नुहोस् र बलियो लवजमा थप समीक्षा योजना बनाउनुहोस्।

के Whisper मानव ट्रान्सक्राइबरजत्तिकै सही छ?

अंग्रेजीमा नजिक आउँछ तर उत्कृष्टलाई बराबर गर्दैन। OpenAI ले 25 रेकर्डिङमा पाँच व्यावसायिक सेवासँग तुलना गर्‍यो। कम्प्युटर-सहायता सेवाको समग्र WER Whisper भन्दा 1.15 बिन्दु कम र चार पूर्ण मानव सेवाको केही अंश राम्रो थियो। नाम, आवाज जुधेको र अस्पष्ट बोलाइ मानिसले प्रायः राम्रो सम्हाल्छन्। उद्धृत, दर्ता वा प्रकाशित सामग्री मानिसले रेकर्डिङसँग जाँच्नुपर्छ।

अंग्रेजीबाहेकका भाषामा Whisper कति सही छ?

भाषाअनुसार धेरै फरक हुन्छ। Fleurs मा large-v2 ले स्पेनिस 3.0%, जर्मन 4.5%, फ्रेन्च 8.3%, हिब्रु 27.1% र तेलुगु 99.0% WER पायो। चिनियाँ र जापानी अक्षर त्रुटिदरमा क्रमशः 14.7% र 5.3% छन्। अनुसन्धानअनुसार शुद्धता भाषाको तालिम अडियोसँग सम्बन्धित छ। कम स्रोत भाषामा छोटो क्लिप पहिले जाँच्नुहोस् र सुधारका लागि बढी समय राख्नुहोस्।

आफ्नै रेकर्डिङमा शुद्धता जाँच्नुहोस्

बेन्चमार्कले अरूको अडियो वर्णन गर्छ। whispertranscribe.ai मा 130 भन्दा बढी भाषामध्ये क्लिप अपलोड गरी यस गाइडका चरणबाट मूल्याङ्कन गर्नुहोस्। खाताबिना निःशुल्क सुरु वा योजना तुलना गर्नुहोस्।

सम्बन्धित लेख: Whisper AI के हो? · उत्कृष्ट निःशुल्क ट्रान्सक्रिप्सन सफ्टवेयर · उत्कृष्ट TurboScribe विकल्प · YouTube भिडियो कसरी ट्रान्सक्राइब गर्ने · SRT फाइल के हो? · टाँसिएको र छुट्टै सबटाइटल

स्रोतहरू

आफ्ना रेकर्डिङलाई पाठमा बदल्न चाहनुहुन्छ?

whispertranscribe.ai बाट अडियो र भिडियोलाई पाठमा उतार्नुहोस्।

पाठमा उतार्न थाल्नुहोस् ↗