Whisper AI แม่นยำแค่ไหน? WER ข้อจำกัด และเคล็ดลับ (2026)

โดยทีมบรรณาธิการ whispertranscribe.ai · อัปเดตล่าสุด: พฤศจิกายน 2026 · อ่าน 13 นาที · หมวดหมู่: ความแม่นยำการถอดเสียง

Whisper แม่นยำแค่ไหน? บนเสียงอ่านภาษาอังกฤษที่ชัด บทความ OpenAI รายงานอัตราคำผิด (WER) 2.5% สำหรับ Whisper large-v2 เสียงที่ยากกว่ามี WER สูงขึ้น: 13.6% สำหรับการโทร 24.9% ในงานเลี้ยงอาหารค่ำที่มีเสียงรบกวน และ 39.9% ในการประชุมที่บันทึกด้วยไมโครโฟนตัวเดียวจากระยะไกล

Whisper เป็นโมเดลรู้จำเสียงโอเพนซอร์สของ OpenAI และเป็นเครื่องยนต์ของแอปถอดเสียงหลายตัวรวมถึงของเรา คู่มือนี้เน้นความแม่นยำ: WER วัดอะไร ผลทดสอบแยกตามเสียงและภาษา จุดที่ Whisper ผิดพลาด และวิธีทดสอบเอง สำหรับภูมิหลังโมเดล ดู Whisper AI คืออะไร

ตัวเลขส่วนใหญ่มาจาก บทความ Whisper (Radford และคณะ, 2022) ซึ่งทดสอบทุกโมเดลแบบ "zero-shot" โดยไม่ปรับแต่งด้วยชุดทดสอบ model card ของ large-v3 ที่ใหม่กว่ารายงานข้อผิดพลาดน้อยกว่า large-v2 10% ถึง 20% ในหลายภาษา แต่ไม่มีตารางแยกทุกชุดข้อมูล whispertranscribe.ai เผยแพร่บทความนี้ เราไม่ได้รันทดสอบเปรียบเทียบสำหรับบทความและไม่มีตัวเลขใดเป็นผลทดสอบของเราเอง

ภาพรวมความแม่นยำ Whisper

ไม่มีชุดทดสอบเดียวตอบได้ทั้งหมด เพราะประเภทเสียงเปลี่ยนผลอย่างมาก ตารางแสดงผล large-v2 ของ OpenAI ด้วย beam search และ temperature fallback (ภาคผนวกตาราง 9) หลังปรับข้อความด้วยตัวปรับมาตรฐานของ OpenAI

ประเภทเสียง ชุดทดสอบในบทความ Whisper large-v2 WER 100 ลบ WER (ตัวชี้วัดคร่าว ๆ)
หนังสือเสียง ผู้อ่านชัด LibriSpeech test-clean 2.5% 97.5
อ่านข่าว WSJ 2.6% 97.4
บรรยาย TED TED-LIUM 3 3.7% ประมาณ 96
หนังสือเสียง ผู้พูดยากกว่า LibriSpeech test-other 4.9% ประมาณ 95
อาสาสมัครใช้ไมค์ที่บ้าน Common Voice 5.1 8.2% ประมาณ 92
บทสนทนาทางโทรศัพท์ Switchboard 13.6% ประมาณ 86
สัมภาษณ์สังคมภาษาแบบยาว CORAAL 14.2% ประมาณ 86
โทรศัพท์ระหว่างครอบครัวและเพื่อน CallHome 16.4% ประมาณ 84
ประชุม แต่ละคนใช้ไมค์หูฟัง AMI IHM 17.4% ประมาณ 83
งานเลี้ยง ไมค์ระยะไกล CHiME-6 24.9% ประมาณ 75
ประชุม ไมค์โต๊ะตัวเดียวห่างออกไป AMI SDM1 39.9% ประมาณ 60

ค่า 100 ลบ WER เป็นเพียงตัวชี้วัดคร่าว ๆ ไม่ใช่สัดส่วนคำที่ถูกจริง เพราะ WER นับคำที่เพิ่มเข้ามาด้วย

มักพบตัวเลข 2.7% แทน ซึ่งเป็นโมเดลเดียวกันแต่ใช้ greedy decoding ที่ง่ายกว่า (ตาราง 2) แถว AMI เป็นการประชุมเดียวกันที่บันทึกสองวิธี การย้ายไมค์จากใกล้ศีรษะผู้พูดแต่ละคนไปกลางโต๊ะทำให้อัตราผิดเพิ่มกว่าสองเท่า

Word error rate (WER) คืออะไรและคำนวณอย่างไร?

WER วัดข้อผิดพลาดเทียบกับบทถอดอ้างอิงที่คนตรวจ นับข้อผิดพลาดสามชนิดแล้วหารด้วยจำนวนคำในบทอ้างอิง:

WER = (คำแทนที่ + คำตกหล่น + คำเพิ่ม) ÷ จำนวนคำในบทอ้างอิง

  • คำแทนที่: คำผิดแทนคำถูก ("lunch" หมายถึงมื้อกลางวัน แทน "launch" หมายถึงการเปิดตัว ซึ่งออกเสียงคล้ายกันในอังกฤษ)
  • คำตกหล่น: คำที่พูดแต่หายจากบทถอด
  • คำเพิ่ม: คำในบทถอดที่ไม่มีใครพูด

ตัวอย่างภาษาไทยสมมติใช้ character error rate (CER) โดยนับอักขระ Unicode และให้คะแนนได้ด้วยไลบรารีโอเพนซอร์ส jiwer:

บรรทัด ข้อความ
บทอ้างอิง (10 อักขระ) เรากินข้าว
บทถอด พวกเรากินปลา
ข้อผิดพลาด แทนที่ 2 อักขระ, ตกหล่น 1 อักขระ, เพิ่ม 3 อักขระ
CER 6 ÷ 10 = 60%

สามเรื่องเกี่ยวกับ WER ที่ทำให้สับสน:

  1. เกิน 100% ได้ คำเพิ่มไม่มีเพดาน และภาษาทรัพยากรน้อยบางภาษาในผล Fleurs ของบทความเกิน 100%
  2. การปรับมาตรฐานเปลี่ยนคะแนน "Dr." กับ "doctor" นับเป็นข้อผิดพลาดหากไม่ทำความสะอาดทั้งสองข้อความเหมือนกัน OpenAI ระบุว่าตัวปรับมาตรฐานลด WER ได้สูงสุด 50% ในบางชุด ส่วนใหญ่โดยลบความต่างด้านรูปแบบ
  3. บางภาษาใช้ character error rate (CER) บทความให้คะแนนจีน ญี่ปุ่น ไทย ลาว และพม่าด้วยอักขระ เพราะไม่ได้แยกคำด้วยช่องว่าง

คำกล่าวเรื่องความแม่นยำที่ไม่ระบุชุดทดสอบและวิธีให้คะแนนไม่ใช่ผลวัด ไม่ว่าใครกล่าวรวมถึงเรา

Whisper แม่นยำกับภาษาอังกฤษแค่ไหน?

Whisper แม่นยำมากกับอังกฤษที่ชัดและยังใช้งานได้กับเสียงยุ่งยาก ในบทความ โมเดลมีข้อผิดพลาดน้อยกว่า wav2vec 2.0 แบบมีผู้กำกับ 55.2% ในชุดข้อมูลอังกฤษอีก 12 ชุด แม้ทั้งคู่ได้คะแนน LibriSpeech ใกล้เคียงกัน

ไฟล์บันทึกยาว

Whisper อ่านเสียงในหน้าต่างละ 30 วินาที บทความจึงทดสอบไฟล์ยาวแยก (ภาคผนวกตาราง 16, large-v2):

ชุดทดสอบเสียงยาว เนื้อหา WER
TED-LIUM 3 TED เต็ม 11 รายการ 3.5%
Meanwhile รายการทีวีรอบดึก 64 ช่วง มีคำไม่ทั่วไปมาก 5.1%
Kincaid46 ไฟล์ผสม 46 รายการจากการเปรียบเทียบปี 2018 8.8%
Earnings-21 สายรายงานผลประกอบการบริษัท 9.7%
Rev16 พอดแคสต์ 16 ตอน 11.3%
Earnings-22 สายผลประกอบการเพิ่มเติม หลายสำเนียง 12.6%
CORAAL สัมภาษณ์เต็ม 231 รายการใน African American English 19.6%

Whisper เทียบผู้ถอดเสียงมนุษย์

OpenAI ให้บริการมนุษย์สี่แห่งและบริการใช้คอมพิวเตอร์ช่วยหนึ่งแห่งถอดไฟล์ Kincaid46 จำนวน 25 รายการ บริการใช้คอมพิวเตอร์ช่วยได้คะแนนดีกว่า Whisper 1.15 จุดเปอร์เซ็นต์ ส่วนบริการมนุษย์ล้วนดีกว่าเพียงเศษส่วนของจุด บทความสรุปว่าไม่สมบูรณ์แต่ใกล้ความแม่นยำระดับมนุษย์มาก

ขนาดโมเดลสำคัญ

Whisper มีหลายขนาด และแอปไม่ได้ระบุเสมอว่าใช้รุ่นใด (ภาคผนวกตาราง 9):

โมเดล พารามิเตอร์ 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%

ช่องว่างเพิ่มเมื่อเสียงยากขึ้น: ประมาณ 4 จุดในหนังสือเสียงชัด และ 23 จุดในงานเลี้ยง โมเดล turbo ที่ใหม่กว่าเป็น large-v3 ที่ปรับให้เร็วขึ้น โดย GitHub README ของ OpenAI ระบุว่าสูญเสียความแม่นยำเพียงเล็กน้อยแลกกับความเร็วที่สูงขึ้นมาก

Whisper แม่นยำกับภาษาอื่นแค่ไหน?

นอกภาษาอังกฤษ ความแม่นยำขึ้นอยู่กับปริมาณเสียงฝึกในภาษานั้นเป็นสำคัญ บทความพบความสัมพันธ์ยกกำลังสอง 0.83 ระหว่าง log ชั่วโมงฝึกกับ log WER และประมาณว่า WER ลดครึ่งหนึ่งเมื่อข้อมูลเพิ่ม 16 เท่า ภาษาอื่นนอกจากอังกฤษส่วนใหญ่จาก 96 ภาษามีข้อมูลต่ำกว่า 1,000 ชั่วโมง

ผล Fleurs บางภาษา (ประโยคอ่าน, large-v2, ภาคผนวกตาราง 13):

ภาษา Fleurs WER หมายเหตุ
สเปน 3.0% ต่ำสุดในตาราง
อังกฤษ 4.2%
โปรตุเกส 4.3%
เยอรมัน 4.5%
ญี่ปุ่น 5.3% อัตราข้อผิดพลาดอักขระ
รัสเซีย 5.6%
ฝรั่งเศส 8.3%
เกาหลี 14.3% ระบุเป็นค่าผิดกลุ่ม
จีน 14.7% อัตราข้อผิดพลาดอักขระ
อาหรับ 16.0%
ฮินดี 21.5%
ฮีบรู 27.1% ระบุเป็นค่าผิดกลุ่ม
สวาฮีลี 39.3%
เตลูกู 99.0% ระบุเป็นค่าผิดกลุ่ม

บทความระบุว่าฮีบรู เตลูกู จีน และเกาหลีทำได้แย่กว่าที่ปริมาณข้อมูลฝึกคาด อาจเพราะระยะห่างทางภาษา tokenizer ไม่เหมาะกับอักษร หรือคุณภาพข้อมูล Fleurs เป็นเสียงอ่าน จึงอาจมีข้อผิดพลาดสูงกว่าในการสนทนา README มีกราฟใหม่สำหรับ large-v3 และ large-v2 บน Common Voice 15 และ Fleurs

ผลสเปนให้กำลังใจหากคุณ ถอดเสียงสเปนเป็นข้อความ สำหรับภาษาทรัพยากรน้อย ให้ทดสอบคลิปสั้นก่อนเริ่มทั้งโครงการ

อะไรมีผลต่อความแม่นยำ Whisper?

สภาพการบันทึกสำคัญมาก หลักฐานจากบทความและ model card:

ปัจจัย หลักฐานแสดงอะไร สิ่งที่ควรทำ
เสียงรบกวน ภายใต้เสียงผับที่อัตราสัญญาณต่อเสียงรบกวนต่ำกว่า 10 dB Whisper ดีกว่าโมเดลเปรียบเทียบทั้ง 14 ตัว แต่ทุกตัวแย่ลงเมื่อเสียงรบกวนเพิ่ม บันทึกในห้องเงียบ ห่างจากพัดลมและเพลง
ระยะไมโครโฟน การประชุม AMI เดียวกัน: 17.4% บนไมค์หูฟัง 39.9% บนไมค์โต๊ะตัวเดียว วางไมค์ใกล้ผู้พูด
บทสนทนาและเสียงทับ โทรศัพท์และงานเลี้ยงได้ 13.6% ถึง 24.9% เทียบ 2.5% สำหรับเสียงอ่าน พูดทีละคน หนึ่งไมค์ต่อคน
สำเนียงและภาษาถิ่น model card รายงานความแม่นยำไม่เท่ากันตามสำเนียงและถิ่น; CORAAL ยาวได้ 19.6% ทดสอบกับผู้พูดที่เหมือนไฟล์จริง
คำหายากและศัพท์เฉพาะ ทำได้ดีใน Meanwhile ที่มีศัพท์เฉพาะมาก (5.1%) แต่ชื่อและศัพท์เทคนิคยังผิดบ่อย ตรวจชื่อและคำศัพท์เทียบรายการ
ทรัพยากรภาษา Fleurs WER ตั้งแต่ 3.0% (สเปน) ถึง 99.0% (เตลูกู) เลือกภาษาเอง เผื่อเวลาตรวจภาษาทรัพยากรน้อย
ขนาดโมเดล tiny ได้ 48.0% บน CHiME-6, large-v2 24.9% ถามว่าเครื่องมือใช้โมเดลใด หรือใช้รุ่นใหญ่ที่สุดที่ทำได้
รูปแบบไฟล์และอัตราสุ่ม โค้ด Whisper แปลงทุกเสียงเป็นโมโน 16 kHz WAV 48 kHz ไม่ได้เพิ่มประโยชน์เหนือไฟล์ 16 kHz ที่ชัด

การแปลง MP3 เป็น WAV ใหญ่ไม่กู้รายละเอียดที่หาย ไฟล์ชัดที่บิตเรตปานกลางดีกว่าไฟล์มีเสียงรบกวนที่บิตเรตสูง

ปัญหา Whisper ที่ทราบ: ข้อความที่สร้างเอง การวนซ้ำ และเวลา

OpenAI บันทึกข้อผิดพลาดเหล่านี้ไว้ ซึ่งสำคัญกว่าที่สัดส่วน WER อาจบอก

ข้อความที่สร้างขึ้นเอง

Whisper อาจเขียนคำที่ไม่มีใครพูด model card ระบุว่าผลทำนายอาจมีข้อความที่ไม่ได้พูดในอินพุต อาจเพราะโมเดลทำนายคำถัดไปที่น่าจะเป็นด้วย ส่วนข้อจำกัดของบทความยังกล่าวถึงการสร้างข้อความที่ไม่เกี่ยวข้องกับเสียงโดยสิ้นเชิง

การศึกษาอิสระ Careless Whisper (Koenecke และคณะ, 2024) ส่งเสียง 13,140 ช่วงผ่าน Whisper API ของ OpenAI ในเมษายนและพฤษภาคม 2023 บทถอดประมาณ 1% (เฉลี่ย 1.4%) มีวลีหรือประโยคที่สร้างขึ้นทั้งชุด และ 38% ของกลุ่มนั้นมีเนื้อหาเป็นอันตราย เช่น ความรุนแรงหรือการเชื่อมโยงที่ผิด ผู้พูดที่หยุดนานกว่า ซึ่งในการศึกษานี้คือผู้มีภาวะ aphasia กระตุ้นปัญหามากกว่า API เปลี่ยนไปแล้ว จึงควรมองเป็นผลวัดปี 2023

การวนซ้ำและคำตกหล่น

model card ระบุว่า Whisper มีแนวโน้มสร้างข้อความซ้ำ ซึ่ง beam search และ temperature scheduling ลดได้แต่ไม่สมบูรณ์ บทความยังระบุการข้ามคำแรกหรือสุดท้ายของช่วง การแก้ decoding ลด WER เฉลี่ยของเสียงยาวจาก 11.0% เป็น 10.0% ซึ่งดีขึ้นแต่ยังไม่หมดปัญหา

ความเงียบ เพลง และคำเติม

ข้อความที่สร้างเองมักปรากฏในช่วงเงียบยาวและเพลง บทความพบว่าสัญญาณ "ไม่มีเสียงพูด" ของ Whisper ไม่เชื่อถือได้เมื่อใช้เดี่ยว และโค้ดโอเพนซอร์สปัจจุบันมีตัวเลือกข้ามช่วงเงียบยาวเมื่อตรวจพบแนวโน้มสร้างข้อความเอง

เวลาคลาดเคลื่อนและไฟล์ยาว

Whisper ประมวลผลเสียงยาวทีละหน้าต่าง 30 วินาที ใช้เวลาที่ตนทำนายเพื่อกำหนดหน้าต่างถัดไป บทความจึงระบุว่าข้อผิดพลาดหน้าต่างหนึ่งอาจส่งต่อ Word-level timestamps ถูกระบุว่าเป็น "experimental" ในโค้ด สำหรับซับไตเติลให้สุ่มตรวจเวลารอบช่วงหยุด

ระหว่างพัฒนา OpenAI ยังพบว่า Whisper เดาชื่อผู้พูดซึ่งแทบทั้งหมดผิด โมเดลที่เผยแพร่ปรับแต่งเพื่อลดปัญหานี้แล้ว แต่ยังควรตรวจทุกชื่อในข้อความ

10 วิธีเพิ่มความแม่นยำการถอดเสียง Whisper

การปรับปรุงส่วนใหญ่เกิดก่อนกดถอดเสียง เรียงโดยประมาณจากผลมากไปน้อย:

  1. วางไมค์ใกล้ ระยะทางเพียงอย่างเดียวทำให้อัตราผิดในการประชุม AMI เพิ่มกว่าสองเท่า
  2. ลดเสียงรบกวนที่ต้นทาง ปิดหน้าต่าง ปิดพัดลม หยุดเพลง
  3. หลีกเลี่ยงเสียงทับ พูดทีละคนดีกว่าการตั้งค่าใด ๆ
  4. ตัดช่วงเงียบยาวและเพลงเปิด ซึ่งมักมีข้อความสร้างเอง ตัดตรงช่วงหยุด ไม่ใช่กลางประโยค
  5. ตั้งภาษาเอง Whisper ระบุภาษาได้ถูกต้อง 80.3% ในภาษา Fleurs 82 ภาษา การตรวจอัตโนมัติจึงอาจพลาดในคลิปสั้นหรือมีสำเนียง
  6. ใช้โมเดลใหญ่ที่สุดที่มี โดยเฉพาะเสียงรบกวน
  7. ใส่ชื่อและคำศัพท์ใน prompt หากรันเอง Whisper โอเพนซอร์สรองรับ --initial_prompt พร้อมการสะกดที่คาด
  8. อัปโหลดต้นฉบับ การบันทึกซ้ำผ่านลำโพงหรือบีบอัดซ้ำทำให้รายละเอียดหาย
  9. ตรวจคำศัพท์ ค้นทุกชื่อ ตัวเลข วันที่ และคำย่อ แล้วเทียบเสียง
  10. ตรวจสองรอบ รอบแรกแก้ข้อผิดพลาดที่ความเร็วปกติ รอบสองดูสัญญาณสร้างข้อความเอง: บรรทัดซ้ำ ประโยคในช่วงเงียบ คำลงท้าย เช่น "ขอบคุณที่รับชม" สำหรับงานกฎหมาย การแพทย์ หรือเผยแพร่ ให้คนตรวจทั้งหมด

วิธีวัดความแม่นยำ Whisper กับเสียงของคุณ

ค่าประมาณที่เหมาะกับงานของคุณได้จากตัวอย่างรวม 6 นาทีในไฟล์ของคุณ ขั้นตอนเหล่านี้ให้คุณรันเอง ไม่ใช่ผลทดสอบ whispertranscribe.ai

  1. เลือกคลิป 2 นาทีสามคลิป ที่เหมือนงานจริง: ง่ายหนึ่ง ปกติหนึ่ง ยากหนึ่ง
  2. เขียนบทอ้างอิงด้วยมือ ทุกคำ ตั้งกฎก่อนว่าจะเก็บหรือละ "เอ่อ" และเขียนตัวเลขเป็นเลขหรือคำ
  3. ถอดแต่ละคลิป ด้วยเครื่องมือที่ทดสอบและบันทึกข้อความธรรมดา
  4. ปรับมาตรฐานทั้งสองข้อความ ด้วยวิธีเดียวกัน ตัวปรับภาษาอังกฤษของ OpenAI มาพร้อม openai-whisper; สำหรับภาษาไทยต้องกำหนดวิธีปรับข้อความและตัดคำที่เหมาะสม หรือใช้ CER โดยกำหนดวิธีนับอักขระให้ตรงกัน
  5. คำนวณ WER สำหรับภาษาอังกฤษ ด้วย jiwer; โค้ดนี้ใช้ EnglishTextNormalizer ไม่เหมาะกับภาษาไทย:
# 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. นับข้อผิดพลาดสำคัญแยก คำเติมผิดห้าคำกับชื่อลูกค้าผิดห้าคำให้ WER เท่ากันแต่ไม่ใช่ปัญหาเท่ากัน
  2. บันทึกผล เพื่อเปรียบเทียบเครื่องมือหรือการตั้งค่า:
คลิป สภาพ คำอ้างอิง S D I WER ข้อผิดพลาดสำคัญ
คลิป A ห้องเงียบ ผู้พูดหนึ่งคน 310
คลิป B วิดีโอคอล ผู้พูดสองคน 285
คลิป C คาเฟ่ ผู้พูดมีสำเนียง 296

จำนวนคำเป็นตัวอย่าง ข้อควรระวังในขั้นที่ 4: ตัวปรับมาตรฐานอาจจัดรูปคำและตัวเลขต่างกัน จึงควรอ่านความแตกต่างที่ถูกระบุก่อนเชื่อคะแนน

whispertranscribe.ai แม่นยำแค่ไหน?

whispertranscribe.ai เป็นเครื่องมือถอดเสียง AI ผ่านเว็บที่ ใช้ Whisper รองรับกว่า 130 ภาษา อัปโหลดสูงสุด 5GB และ 10 ชั่วโมง ความแม่นยำสูงสุดถึง 99% สำหรับเสียงชัด เสียงรบกวน สำเนียงหนัก และเสียงทับลดความแม่นยำ ดังที่ผลทดสอบข้างต้นแสดงสำหรับ Whisper เอง เราไม่อ้างว่าตรงหรือดีกว่าตัวเลขบทความ และยังไม่ได้เผยแพร่ผลทดสอบของเราเอง จึงควรทดสอบคลิปของคุณด้วยขั้นตอนข้างต้น

คุณ เริ่มฟรีโดยไม่ต้องมีบัญชี แพ็กเกจชำระเงินเริ่ม $9.99/เดือน เมื่อเรียกเก็บรายปี; ดูราคา

คำถามที่พบบ่อย

Whisper แม่นยำ 99% หรือไม่?

ไม่ใช่โดยทั่วไป ผลที่ดีที่สุดของ Whisper ที่เผยแพร่คือ WER 2.5% บน LibriSpeech test-clean ซึ่งเป็นหนังสือเสียงอ่านชัด WER ไม่เท่ากับเปอร์เซ็นต์คำผิดโดยตรงหากมีคำเพิ่ม บนโทรศัพท์ ประชุม และห้องเสียงดัง ตัวเลข OpenAI อยู่ราว 13% ถึง 40% WER คำอ้าง "99%" มีความหมายเมื่อระบุเสียงที่วัด เครื่องมือที่สร้างบน Whisper รวมถึง whispertranscribe.ai ควรตัดสินจากไฟล์ของคุณ ไม่ใช่ตัวเลขโฆษณา

Whisper รุ่นใดแม่นยำที่สุด?

โมเดล large แม่นยำที่สุด ในบทความ OpenAI, large-v2 มีอัตราผิดต่ำสุดในชุดทดสอบส่วนใหญ่ และ model card large-v3 รายงานข้อผิดพลาดน้อยกว่า large-v2 10% ถึง 20% ในหลายภาษา turbo เป็น large-v3 ที่ปรับให้เร็วขึ้น โดย OpenAI ระบุว่าสูญเสียความแม่นยำเล็กน้อยแลกความเร็ว โมเดลเล็กที่สุด tiny แม่นยำน้อยกว่ามากบนเสียงยาก: WER 48.0% ในงานเลี้ยงเสียงดัง เทียบ 24.9% สำหรับ large-v2

ทำไม Whisper เขียนคำที่ไม่ได้พูด?

Whisper อาจสร้างข้อความเองเพราะฝึกให้ทำนายข้อความที่น่าจะเป็นนอกเหนือจากถอดเสียง และ model card ของ OpenAI เตือนว่าอาจส่งข้อความที่ไม่มีในเสียง มักเกิดในช่วงเงียบยาว เพลง หรือเสียงรบกวน การศึกษาอิสระปี 2023 พบวลีที่สร้างเองในบทถอดประมาณ 1% และช่วงหยุดเพิ่มโอกาส การตัดช่วงเงียบ ตั้งภาษา และตรวจช่วงเงียบช่วยลดความเสี่ยง

Whisper แม่นยำกับสำเนียงแค่ไหน?

Whisper จัดการสำเนียงได้ดีกว่าระบบเก่าหลายระบบ แต่ไม่เท่ากัน model card ของ OpenAI ระบุว่าความแม่นยำต่างตามสำเนียงและภาษาถิ่นเดียวกัน ในบทความ สัมภาษณ์ยาว African American English (CORAAL) ได้ WER 19.6% เทียบ 3.5% สำหรับ TED เต็มรายการ แม้สภาพบันทึกต่างกันด้วย วิธีที่เชื่อถือได้คือทดสอบคลิปกับผู้พูดที่เหมือนไฟล์จริงและเผื่อเวลาตรวจเมื่อสำเนียงหนัก

Whisper แม่นยำเท่าผู้ถอดเสียงมนุษย์หรือไม่?

สำหรับภาษาอังกฤษ Whisper ใกล้เคียงแต่ไม่เท่าผู้ที่ดีที่สุด OpenAI เปรียบเทียบห้าบริการมืออาชีพบน 25 ไฟล์ บริการใช้คอมพิวเตอร์ช่วยมี WER รวมต่ำกว่า Whisper 1.15 จุด และสี่บริการมนุษย์ล้วนดีกว่าเพียงเศษส่วนของจุด มนุษย์ยังมักจัดการชื่อ เสียงทับ และเสียงไม่ชัดดีกว่า สำหรับสิ่งที่จะอ้าง ยื่น หรือเผยแพร่ ควรให้คนตรวจเทียบไฟล์

Whisper แม่นยำกับภาษาอื่นนอกจากอังกฤษแค่ไหน?

ต่างกันมากตามภาษา บน Fleurs, large-v2 ได้ WER 3.0% สำหรับสเปน 4.5% สำหรับเยอรมัน และ 8.3% สำหรับฝรั่งเศส แต่ 27.1% สำหรับฮีบรูและ 99.0% สำหรับเตลูกู จีนและญี่ปุ่นให้คะแนนด้วยอัตราผิดอักขระ: 14.7% และ 5.3% บทความพบว่าความแม่นยำสัมพันธ์กับปริมาณเสียงฝึกในแต่ละภาษา สำหรับภาษาทรัพยากรน้อย ให้ทดสอบคลิปสั้นและเผื่อเวลาแก้

ทดสอบความแม่นยำกับไฟล์ของคุณ

ผลทดสอบอธิบายเสียงของผู้อื่น อัปโหลดคลิปไปยัง whispertranscribe.ai ในกว่า 130 ภาษา แล้วให้คะแนนตามขั้นตอนในคู่มือนี้ เริ่มฟรีโดยไม่ต้องมีบัญชี หรือ เปรียบเทียบแพ็กเกจ

บทความที่เกี่ยวข้อง: Whisper AI คืออะไร? · ซอฟต์แวร์ถอดเสียงฟรีที่ดีที่สุด · ทางเลือก TurboScribe ที่ดีที่สุด · วิธีถอดเสียงวิดีโอ YouTube · ไฟล์ SRT คืออะไร? · ซับไตเติลแบบฝังกับแบบแยก

แหล่งอ้างอิง

ต้องการเปลี่ยนไฟล์บันทึกของคุณให้เป็นข้อความไหม?

ถอดเสียงจากไฟล์เสียงและวิดีโอด้วย whispertranscribe.ai

เริ่มถอดเสียง ↗