whispertranscribe.ai کی ادارتی ٹیم · آخری تجدید: نومبر 2026 · مطالعہ: 13 منٹ · زمرہ: آڈیو سے متن کی درستگی
Whisper کتنا درست ہے؟ OpenAI کے مقالے کے مطابق صاف پڑھی ہوئی انگریزی میں Whisper large-v2 کی الفاظ کی شرحِ خطا (WER) 2.5% ہے۔ ہر 100 میں تقریباً 97 سے 98 الفاظ درست ہیں۔ مشکل آڈیو میں غلطیاں بڑھتی ہیں: فون پر 13.6%، شور والی کھانے کی محفل میں 24.9% اور ایک دور کے مائیک سے ریکارڈ میٹنگ میں 39.9%۔
Whisper، OpenAI کا اوپن سورس گفتار شناخت ماڈل ہے اور ہمارے سمیت بہت سے آڈیو سے متن ٹولز اسے استعمال کرتے ہیں۔ یہاں درستگی پر بات ہے: WER کیا ناپتا ہے، الگ آڈیو اور زبانوں میں آزمائشیں کیا کہتی ہیں، غلطیاں کہاں ہوتی ہیں اور خود کیسے جانچیں۔ تعارف کے لیے Whisper AI کیا ہے؟ پڑھیں۔
زیادہ تر اعداد Whisper کے مقالے (Radford اور دیگر، 2022) کے ہیں، جس میں ہر ماڈل کو آزمائشی مجموعوں پر مزید تربیت کے بغیر، یعنی zero-shot، جانچا گیا۔ نیا large-v3 ماڈل کارڈ کئی زبانوں میں large-v2 سے 10% سے 20% کم غلطیاں بتاتا ہے، مگر ہر مجموعے کا پورا جدول نہیں دیتا۔ مضمون whispertranscribe.ai شائع کرتا ہے۔ اس کے لیے الگ تقابلی ٹیسٹ نہیں کیا گیا۔ اعداد ماخذ سے ہیں۔
Whisper کی درستگی ایک نظر میں
ایک ہی آزمائشی مجموعہ کافی نہیں، کیونکہ آڈیو کی نوعیت شرح سب سے زیادہ بدلتی ہے۔ جدول میں OpenAI کے large-v2 کے نتائج beam search اور temperature fallback کے ساتھ ہیں (ضمیمے کا جدول 9)، اور متن پر OpenAI کا یکساں کرنے والا طریقہ لگانے کے بعد گنے گئے ہیں۔
| آڈیو کی قسم | مقالے کا آزمائشی مجموعہ | Whisper large-v2 کی WER | درست الفاظ کا اندازہ |
|---|---|---|---|
| آڈیو بک، واضح قرأت | LibriSpeech test-clean | 2.5% | 100 میں تقریباً 97.5 |
| پڑھی ہوئی خبریں | WSJ | 2.6% | 100 میں تقریباً 97.4 |
| TED تقاریر | TED-LIUM 3 | 3.7% | 100 میں تقریباً 96 |
| آڈیو بک، مشکل قرأت | LibriSpeech test-other | 4.9% | 100 میں تقریباً 95 |
| گھر کے مائیک پر رضاکار | Common Voice 5.1 | 8.2% | 100 میں تقریباً 92 |
| فون کی گفتگو | Switchboard | 13.6% | 100 میں تقریباً 86 |
| سماجی لسانیات کے طویل انٹرویو | CORAAL | 14.2% | 100 میں تقریباً 86 |
| دوست اور خاندان کی فون کالیں | CallHome | 16.4% | 100 میں تقریباً 84 |
| میٹنگ، ہر شخص کے ہیڈسیٹ کا مائیک | AMI IHM | 17.4% | 100 میں تقریباً 83 |
| کھانے کی محفل، دور کے مائیک | CHiME-6 | 24.9% | 100 میں تقریباً 75 |
| میٹنگ، میز پر ایک دور کا مائیک | AMI SDM1 | 39.9% | 100 میں تقریباً 60 |
«درست الفاظ کا حصہ» 100 میں سے WER گھٹانے کا اندازہ ہے۔ WER میں اضافی الفاظ بھی گنے جاتے ہیں، اس لیے یہ ٹھیک ٹھیک شمار نہیں۔
2.7% بھی نقل کیا جاتا ہے۔ یہ وہی ماڈل مگر سادہ greedy decoding کے ساتھ ہے (مقالے کا جدول 2)۔ AMI کی دونوں سطروں میں ایک ہی میٹنگ الگ انداز میں ریکارڈ ہوئی۔ ہر شخص کے سر سے مائیک ہٹا کر میز کے بیچ رکھنے پر شرحِ خطا دو گنا سے زیادہ ہو جاتی ہے۔
الفاظ کی شرحِ خطا (WER) کیا ہے اور کیسے نکالیں؟
یہ انسانی جانچ والے حوالہ متن کے مقابلے میں غلطیوں کا تناسب ہے۔ تین قسم کی غلطیاں گنیں اور حوالے میں الفاظ کی تعداد پر تقسیم کریں:
WER = (بدلے ہوئے + چھوٹے ہوئے + اضافی الفاظ) ÷ حوالہ متن میں الفاظ
- بدلنا: درست لفظ کی جگہ غلط لفظ، مثلاً «رونمائی» کی جگہ «رسوائی»۔
- چھوٹنا: بولا گیا لفظ متن میں نہیں۔
- اضافہ: متن میں لفظ ہے جو کسی نے نہیں کہا۔
اوپن سورس jiwer سے گننے کی مفہومی مثال:
| سطر | متن |
|---|---|
| حوالہ (22 الفاظ) | ہم نے رونمائی نو مارچ تک ملتوی کی کیونکہ کمپنی دو میعادیں بھول گئی اور ڈاکٹر پٹیل نیا امتحانی منصوبہ چاہتا ہے |
| تیار کردہ متن | ہم نے رسوائی نو مارچ تک ملتوی کیونکہ کمپنی دو میعادیں بھول گئی اور ڈاکٹر پٹان نیا امتحانی منصوبہ چاہتا ہے آج |
| غلطیاں | 2 متبادل (رسوائی، پٹان)، 1 حذف (کی)، 1 اضافہ (آج) |
| WER | 4 ÷ 22 = 18.2% |
WER کے بارے میں تین اہم باتیں:
- 100% سے اوپر جا سکتا ہے۔ اضافی الفاظ کی حد نہیں۔ مقالے میں Fleurs کی بعض کم ڈیٹا والی زبانوں کا اسکور 100% سے اوپر تھا۔
- متن کو یکساں کرنے سے اسکور بدلتا ہے۔ «Dr.» اور «doctor» کو ایک صورت میں لائے بغیر فرق گنا جائے گا۔ OpenAI کے مطابق بعض مجموعوں میں اس عمل نے زیادہ تر فارمیٹنگ کا فرق ہٹا کر WER میں 50% تک کمی کی۔
- بعض زبانوں میں حرف کی شرحِ خطا (CER) شمار ہوتی ہے۔ چینی، جاپانی، تھائی، لاؤ اور برمی میں لفظ الگ کرنے کے لیے خالی جگہ نہیں ہوتی۔ مقالہ حروف پر اسکور دیتا ہے۔
درستگی کے عدد میں آزمائشی مجموعہ اور حساب کا طریقہ درج ہوں تو اسے موازنہ کرنے کے لیے استعمال کیا جا سکتا ہے۔
انگریزی میں Whisper کتنا درست ہے؟
واضح انگریزی پر بہت درست ہے اور کم صاف آڈیو میں بھی اکثر قابلِ استعمال ہے۔ مقالے میں LibriSpeech کے تقریباً برابر اسکور والے supervised wav2vec 2.0 کے مقابلے میں 12 دوسرے انگریزی مجموعوں پر 55.2% کم غلطیاں ہوئیں۔
طویل ریکارڈنگ
Whisper آڈیو 30 سیکنڈ کے حصوں میں پڑھتا ہے۔ مقالے نے طویل فائل الگ آزمائی (ضمیمہ جدول 16، large-v2):
| طویل آڈیو کا آزمائشی مجموعہ | مواد | WER |
|---|---|---|
| TED-LIUM 3 | 11 مکمل TED تقاریر | 3.5% |
| Meanwhile | رات گئے ٹی وی کے 64 حصے، غیرمعمولی الفاظ کے ساتھ | 5.1% |
| Kincaid46 | 2018 کے موازنے کی 46 مخلوط ریکارڈنگ | 8.8% |
| Earnings-21 | کمپنیوں کی مالی نتائج کی کالیں | 9.7% |
| Rev16 | 16 پوڈکاسٹ اقساط | 11.3% |
| Earnings-22 | مالی نتائج کی مزید کالیں اور کئی لہجے | 12.6% |
| CORAAL | افریقی امریکی انگریزی میں 231 مکمل انٹرویو | 19.6% |
Whisper اور انسانی خدمات کا موازنہ
OpenAI نے Kincaid46 کی 25 ریکارڈنگ چار انسانی اور ایک کمپیوٹر سے مدد لینے والی سروس کو دیں۔ کمپیوٹر کی مدد والی سروس Whisper سے 1.15 فیصدی پوائنٹ بہتر تھی۔ مکمل انسانی خدمات معمولی فرق سے بہتر تھیں۔ مقالے کا نتیجہ تھا کہ درستگی کامل نہیں مگر انسانی سطح کے قریب ہے۔
ماڈل کا سائز اہم ہے
Whisper کے کئی سائز ہیں، اور ایپ ہمیشہ نہیں بتاتی کہ کون سا چلا رہی ہے (ضمیمے کا جدول 9):
| ماڈل | پیرامیٹر | LibriSpeech صاف | 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% |
مشکل آڈیو پر فرق بڑھتا ہے۔ واضح آڈیو بک میں تقریباً 4 پوائنٹ اور کھانے کی محفل میں 23 پوائنٹ۔ نیا turbo، large-v3 کا بہتر رفتار والا ورژن، کہیں تیز متن بنانے کے بدلے GitHub README کے مطابق معمولی درستگی کھوتا ہے۔
دوسری زبانوں میں Whisper کتنا درست ہے؟
انگریزی کے علاوہ زیادہ انحصار اس زبان کی تربیتی آڈیو کی مقدار پر ہے۔ مقالے میں تربیتی گھنٹوں اور WER کی لوگارتھمی قدروں کے درمیان تعلق کا مربع 0.83 تھا۔ اندازے کے مطابق ڈیٹا میں 16 گنا اضافے پر WER آدھی ہوتی ہے۔ 96 غیر انگریزی زبانوں میں زیادہ تر 1,000 گھنٹے سے کم تھیں۔
Fleurs سے چنے نتائج (پڑھے گئے جملے، large-v2، ضمیمہ جدول 13):
| زبان | Fleurs WER | نوٹ |
|---|---|---|
| ہسپانوی | 3.0% | جدول میں سب سے کم |
| انگریزی | 4.2% | |
| پرتگالی | 4.3% | |
| جرمن | 4.5% | |
| جاپانی | 5.3% | حرف کی شرحِ خطا |
| روسی | 5.6% | |
| فرانسیسی | 8.3% | |
| کوریائی | 14.3% | متوقع نتیجے سے الگ |
| چینی | 14.7% | حرف کی شرحِ خطا |
| عربی | 16.0% | |
| ہندی | 21.5% | |
| عبرانی | 27.1% | متوقع نتیجے سے الگ |
| سواحلی | 39.3% | |
| تیلگو | 99.0% | متوقع نتیجے سے الگ |
عبرانی، تیلگو، چینی اور کوریائی کے نتائج تربیتی ڈیٹا سے متوقع نتیجے سے کمزور تھے۔ وجوہ میں لسانی فاصلہ، ان رسم الخط کے لیے کم موزوں tokenizer یا ڈیٹا کا معیار ہو سکتے ہیں۔ Fleurs پڑھی ہوئی آڈیو ہے، اس لیے بے ساختہ گفتگو میں زیادہ غلطیاں متوقع ہیں۔ README میں Common Voice 15 اور Fleurs پر large-v3 اور large-v2 کا نیا چارٹ ہے۔
ہسپانوی آڈیو کو متن بناتے وقت ان نتائج سے ابتدائی اندازہ ملتا ہے۔ کم ڈیٹا والی زبان کے پورے منصوبے سے پہلے چھوٹا کلپ آزمائیں۔
Whisper کی درستگی کو کیا بدلتا ہے؟
ریکارڈنگ کی حالت کا سب سے زیادہ اثر ہے۔ مقالے اور ماڈل کارڈ کے مشاہدات:
| عامل | شواہد | کیا کریں؟ |
|---|---|---|
| پس منظر کا شور | پب کے شور میں 10 dB سے کم سگنل بہ شور تناسب پر Whisper تمام 14 تقابلی ماڈلز سے آگے تھا۔ شور بڑھنے پر سب کی کارکردگی گھٹی | پنکھے اور موسیقی سے دور خاموش کمرے میں ریکارڈ کریں |
| مائیک کا فاصلہ | وہی AMI میٹنگ: ہیڈسیٹ پر 17.4%، ایک میزی مائیک پر 39.9% | بولنے والے کے قریب مائیک رکھیں |
| گفتگو اور ایک ساتھ بولنا | فون اور کھانے کی محفل میں 13.6% سے 24.9%، صاف قرأت میں 2.5% | ایک وقت میں ایک شخص، ہر شخص کا الگ مائیک |
| لہجے اور گویش | ماڈل کارڈ میں ان کے مطابق درستگی غیر یکساں ہے۔ طویل CORAAL میں 19.6% | اصل ریکارڈنگ جیسے بولنے والوں کی آڈیو آزمائیں |
| کم رائج الفاظ اور اصطلاحات | اصطلاحات والے Meanwhile میں اچھا اسکور (5.1%)، پھر بھی نام اور فنی اصطلاحات میں غلطیاں عام ہیں | فہرست سے نام اور اصطلاحات دیکھیں |
| زبان کے لیے دستیاب ڈیٹا | Fleurs کی WER ہسپانوی میں 3.0% اور تیلگو میں 99.0% ہے | خود زبان چنیں اور کم ڈیٹا والی زبان کے لیے مزید جانچ رکھیں |
| ماڈل کا سائز | CHiME-6 میں tiny کی 48.0% اور large-v2 کی 24.9% WER | پوچھیں ٹول کون سا ماڈل چلاتا ہے یا بڑا ترین قابلِ استعمال ماڈل لیں |
| فارمیٹ اور سیمپل ریٹ | Whisper کوڈ تمام آڈیو 16 kHz مونو بناتا ہے | 48 kHz WAV سے صاف 16 kHz فائل پر اضافہ نہیں |
MP3 کو بڑی WAV بنانے سے کھویا ہوا مواد واپس نہیں آتا۔ کم بٹ ریٹ کی صاف آڈیو، زیادہ بٹ ریٹ کی شور والی آڈیو سے بہتر ہے۔
Whisper کے معلوم مسائل: گھڑا ہوا متن، تکرار اور اوقات
OpenAI نے ان مسائل کو درج کیا ہے۔ صرف WER میں ان کی گنتی سے ان کی پوری اہمیت معلوم نہیں ہوتی۔
گھڑا ہوا متن
Whisper وہ الفاظ لکھ سکتا ہے جو کسی نے نہیں بولے۔ ماڈل کارڈ کے مطابق اندازے میں ایسا متن آ سکتا ہے جو آڈیو میں نہیں ہے، ممکنہ طور پر اس لیے کہ ماڈل اگلے محتمل الفاظ بھی بتاتا ہے۔ مقالے کے حدود والے حصے میں آڈیو سے بالکل غیر متعلق نتیجے کا ذکر بھی ہے۔
آزاد Careless Whisper مطالعے (Koenecke اور دیگر، 2024) نے اپریل اور مئی 2023 میں OpenAI کے Whisper API کو 13,140 آڈیو حصے دیے۔ تقریباً 1% متون (اوسط 1.4%) میں پورے گھڑے ہوئے فقرے یا جملے تھے۔ ان میں سے 38% میں نقصان دہ مواد تھا، مثلاً تشدد یا غلط نسبت۔ طویل وقفوں والے بولنے والوں، اس مطالعے میں افیزیا والے افراد، پر مسئلہ زیادہ دکھا۔ API بعد میں بدل چکا ہے، اس لیے یہ 2023 کی پیمائش ہے۔
فقرے دہرانا اور الفاظ چھوڑنا
ماڈل کارڈ دہرانے کی عادت بتاتا ہے۔ beam search اور temperature scheduling اسے کم کرتے ہیں، مگر بعض مشکل نتیجوں میں برقرار رہتی ہے۔ مقالے میں کسی حصے کے شروع یا آخر کے الفاظ بھولنے کا ذکر بھی ہے۔ ڈیکوڈنگ کی اصلاحات سے اوسط طویل آڈیو WER 11.0% سے 10.0% ہوئی۔
خاموشی، موسیقی اور بھرائی
لمبی خاموشی اور موسیقی میں گھڑا ہوا متن آنے کا امکان ہوتا ہے۔ مقالے میں صرف Whisper کا «no speech» سگنل قابلِ بھروسا نہیں تھا۔ اوپن سورس کوڈ میں ممکنہ گھڑے ہوئے متن کی شناخت پر طویل خاموشی چھوڑنے کی ترتیب اب موجود ہے۔
وقت کے نشان اور طویل فائلیں
Whisper طویل آڈیو پر ایک بار میں 30 سیکنڈ کا حصہ دیکھتا ہے۔ اگلا حصہ اپنے اندازہ شدہ وقت سے شروع کرتا ہے، اس لیے مقالے کے مطابق ایک حصے کی غلطی اگلے میں جا سکتی ہے۔ لفظ بہ لفظ اوقات کو کوڈ میں تجرباتی کہا گیا ہے۔ سب ٹائٹل کے لیے وقفوں کے پاس اوقات چیک کریں۔
ترقی کے دوران OpenAI نے دیکھا کہ Whisper اندازے سے بولنے والوں کے نام لکھتا تھا جو تقریباً ہمیشہ غلط ہوتے تھے۔ جاری کردہ ماڈلز کی اضافی تربیت سے اسے کم کیا گیا۔ پھر بھی متن میں موجود نام دیکھیں۔
Whisper کی درستگی بہتر کرنے کے 10 طریقے
زیادہ فائدہ آڈیو ریکارڈ کرنے اور تیار کرنے سے آتا ہے۔ یہ ترتیب اندازاً سب سے زیادہ اثر سے شروع ہوتی ہے:
- مائیک قریب رکھیں۔ AMI میٹنگز میں صرف فاصلے نے شرحِ خطا دو گنا سے زیادہ کر دی۔
- شور منبع پر کم کریں۔ کھڑکیاں بند، پنکھے بند اور موسیقی روک دیں۔
- ایک دوسرے پر بولنے سے بچیں۔ ایک وقت میں ایک شخص کی آواز کسی سیٹنگ سے زیادہ مدد دیتی ہے۔
- لمبی خاموشی اور موسیقی والا تعارف کاٹیں، جہاں گھڑا ہوا متن زیادہ آتا ہے۔ جملے میں نہیں، وقفے پر کاٹیں۔
- زبان خود مقرر کریں۔ Fleurs کی 82 زبانوں میں Whisper نے 80.3% بار زبان ٹھیک پہچانی۔ خودکار شناخت چھوٹے یا نمایاں لہجے والے کلپ میں غلط ہو سکتی ہے۔
- دستیاب بڑا ترین ماڈل لیں، خاص طور پر شور والی ریکارڈنگ کے لیے۔
- اپنے کمپیوٹر پر چلائیں تو نام اور اصطلاحات پہلے دیں۔ اوپن سورس Whisper کا
--initial_promptمتوقع املا لیتا ہے۔ - اصل فائل اپ لوڈ کریں۔ اسپیکر سے دوبارہ ریکارڈ کرنے یا کئی بار کمپریس کرنے میں تفصیل جاتی رہتی ہے۔
- اصطلاحات دیکھیں۔ ہر نام، عدد، تاریخ اور مخفف ڈھونڈیں اور اصل آڈیو سے ملائیں۔
- دو بار جانچ کریں۔ پہلے معمول کی رفتار سے غلطی درست کریں۔ پھر دہرائی سطریں، خاموشی میں فقرے یا «دیکھنے کا شکریہ» جیسے گھڑے ہوئے اختتامی جملے دیکھیں۔ قانونی، طبی یا شائع ہونے والے مواد کی مکمل انسانی جانچ کریں۔
اپنی آڈیو پر Whisper کی درستگی کیسے ناپیں؟
اپنی ریکارڈنگ کا 30 منٹ کا جائزہ اپنے کام کے لیے بہتر اندازہ دیتا ہے۔ یہ وہ مراحل ہیں جو آپ خود آزمائیں۔ یہ whispertranscribe.ai کی اپنی آزمائش نہیں۔
- 2 منٹ کے تین کلپ چنیں جو آپ کے اصل کام جیسے ہوں: ایک آسان، ایک معمول کا اور ایک مشکل۔
- حوالہ متن لفظ بہ لفظ خود لکھیں۔ پہلے طے کریں بھرائی کی آوازیں رکھنی ہیں یا نہیں اور اعداد ہندسوں میں یا لفظوں میں لکھنے ہیں۔
- ہر کلپ کو آزمائے جانے والے ٹول میں متن بنائیں اور سادہ فائل محفوظ کریں۔
- دونوں متون کو ایک طرح معیاری بنائیں۔ OpenAI کا طریقہ
openai-whisperمیں شامل ہے۔ - jiwer سے WER نکالیں:
# 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}")
- اہم غلطیاں الگ گنیں۔ بھرائی کی پانچ غلطیاں اور گاہکوں کے پانچ غلط نام ایک ہی WER دیتے ہیں، مگر ان کی اہمیت مختلف ہے۔
- نتائج لکھیں تاکہ ٹول یا ترتیب کا موازنہ کر سکیں:
| کلپ | حالت | حوالہ کے الفاظ | S | D | I | WER | اہم غلطیاں |
|---|---|---|---|---|---|---|---|
| کلپ A | خاموش کمرہ، ایک بولنے والا | 310 | |||||
| کلپ B | ویڈیو کال، دو بولنے والے | 285 | |||||
| کلپ C | کیفے، نمایاں لہجہ | 296 |
الفاظ کی تعداد مثال ہے۔ مرحلہ 4 کے لیے ایک بات: اصل مضمون میں بنائے گئے انگریزی جملے پر OpenAI کی انگریزی معیاری کاری نے «Dr.» کو «doctor» اور «two» کو «2» سے ملا دیا، مگر «9th» اور «ninth» کو مختلف گنا۔ اسکور پر انحصار کرنے سے پہلے نشان زد فرق پڑھیں۔
whispertranscribe.ai کتنا درست ہے؟
whispertranscribe.ai، Whisper پر مبنی ویب ٹول ہے۔ 130 سے زیادہ زبانوں، 5 GB اور 10 گھنٹے تک کی فائل کے لیے ہے۔ کمپنی کے مطابق صاف آڈیو پر درستگی 99% تک ہے۔ شور، نمایاں لہجے اور ایک ساتھ بولنا اسے کم کرتے ہیں، جیسا کہ اوپر Whisper کے تجربوں میں دیکھا گیا۔ ہم مقالے کی کارکردگی کے برابر یا اس سے بہتر ہونے کا دعویٰ نہیں کرتے اور اپنا تقابلی نتیجہ شائع نہیں کیا۔ اپنی آڈیو اوپر والے طریقے سے آزمائیں۔
- Noise / Low-Quality Audio/Video: کئی زبانوں کے انتخاب میں موجود۔ شور والی فائل پر عام اور شور والے اختیار کا موازنہ کریں۔
- 130 سے زیادہ زبانیں، Multilingual Mix اور آڈیو کا انگریزی ترجمہ۔
- 5 GB اور 10 گھنٹے تک کی فائلیں، بولنے والے کی شناخت اور وقت کے نشان (تمام خصوصیات)۔
- صاف آڈیو: مائیک قریب رکھ کر براؤزر میں ریکارڈ کریں یا صرف آڈیو اپ لوڈ کرنے کو ویڈیو کو MP3 بنائیں۔
- برآمد DOCX، PDF، TXT، CSV، SRT اور VTT، اور وقت والے کیپشن کے لیے سب ٹائٹل ٹول۔
بغیر اکاؤنٹ مفت شروع کریں۔ ادا شدہ پلان سالانہ ادائیگی پر ماہانہ $9.99 سے شروع ہوتے ہیں۔ قیمتیں دیکھیں۔
عام سوالات
کیا Whisper 99% درست ہے؟
یہ ہر حالت میں نہیں ہوتا۔ Whisper کا بہترین شائع شدہ نتیجہ LibriSpeech test-clean پر 2.5% WER ہے، جو واضح آڈیو بکس کا مجموعہ ہے اور تقریباً 97.5% درست الفاظ بنتے ہیں۔ فون، میٹنگ اور شور میں OpenAI کے اعداد تقریباً 13% سے 40% WER ہیں۔ «99%» کے ساتھ پیمائش کی آڈیو کا ذکر اہم ہے۔ whispertranscribe.ai سمیت Whisper والے ٹولز کو اپنی ریکارڈنگ پر پرکھیں۔
کون سا Whisper ماڈل سب سے درست ہے؟
large ماڈل زیادہ درست ہیں۔ OpenAI کے مقالے میں large-v2 زیادہ تر آزمائشی مجموعوں پر آگے تھا۔ large-v3 کے ماڈل کارڈ میں کئی زبانوں میں large-v2 سے 10% سے 20% کم غلطیاں ہیں۔ turbo اسی large-v3 کی تیز شکل ہے جس میں OpenAI کے مطابق رفتار کے بدلے درستگی ذرا کم ہے۔ سب سے چھوٹا tiny مشکل آڈیو پر کمزور ہے۔ شور والی محفل میں 48.0% WER بمقابلہ large-v2 کی 24.9%۔
Whisper وہ الفاظ کیوں لکھتا ہے جو بولے نہیں گئے؟
یہ آڈیو لکھنے کے ساتھ محتمل متن کا اندازہ بھی لگاتا ہے۔ OpenAI کے ماڈل کارڈ میں آڈیو میں نہ ہونے والا متن نکلنے کا امکان درج ہے۔ یہ طویل خاموشی، موسیقی یا شور میں زیادہ آتا ہے۔ 2023 کی آزاد تحقیق میں تقریباً 1% متون میں گھڑے ہوئے جملے اور وقفوں میں زیادہ امکان ملا۔ خاموشی تراشنا، زبان منتخب کرنا اور خاموش حصوں کا متن جانچنا خطرہ کم کرتے ہیں۔
مختلف لہجوں پر Whisper کتنا درست ہے؟
Whisper کئی پرانے نظاموں سے لہجے بہتر سنبھالتا ہے، مگر یکساں نہیں۔ OpenAI کا ماڈل کارڈ کہتا ہے اسی زبان کے مختلف لہجوں اور گویشوں میں درستگی بدلتی ہے۔ مقالے میں افریقی امریکی انگریزی کے طویل انٹرویو (CORAAL) کی WER 19.6% اور مکمل TED کی 3.5% رہی۔ ریکارڈنگ کی حالت بھی مختلف تھی۔ اصل بولنے والوں جیسے لہجے پر کلپ آزمائیں اور نمایاں لہجے میں جانچ کا وقت بڑھائیں۔
کیا Whisper انسانی متن بنانے والے جتنا درست ہے؟
انگریزی میں قریب ہے۔ OpenAI نے 25 ریکارڈنگ پر پانچ پیشہ ور خدمات سے موازنہ کیا۔ کمپیوٹر کی مدد والی ایک سروس کی مجموعی WER، Whisper سے 1.15 پوائنٹ کم تھی۔ چار مکمل انسانی خدمات معمولی فرق سے آگے تھیں۔ نام، ایک ساتھ بولنا اور غیر واضح گفتار میں انسان عموماً بہتر ہیں۔ اقتباس، سرکاری فائل یا شائع ہونے والا متن کسی فرد سے آڈیو کے ساتھ جانچیں۔
انگریزی کے علاوہ Whisper کتنا درست ہے؟
زبان پر منحصر ہے۔ Fleurs میں large-v2 کی WER ہسپانوی 3.0%، جرمن 4.5% اور فرانسیسی 8.3% تھی۔ عبرانی میں 27.1% اور تیلگو میں 99.0%۔ چینی اور جاپانی میں حرف کی شرح بالترتیب 14.7% اور 5.3% تھی۔ مقالے میں درستگی کا تعلق زبان کی تربیتی آڈیو کی مقدار سے تھا۔ کم ڈیٹا والی زبان کے لیے پہلے مختصر کلپ آزمائیں اور زیادہ تصحیح کا وقت رکھیں۔
اپنی ریکارڈنگ پر درستگی آزمائیں
شائع شدہ تجربوں کی آڈیو آپ کی ریکارڈنگ سے مختلف ہو سکتی ہے۔ 130 سے زیادہ زبانوں میں سے ایک کی آڈیو whispertranscribe.ai پر ڈالیں اور اس رہنما کے مطابق اسکور کریں۔ بغیر اکاؤنٹ مفت شروع کریں یا پلانوں کا موازنہ کریں۔
متعلقہ مضامین: Whisper AI کیا ہے؟ · آڈیو سے متن کے بہترین مفت ٹولز · TurboScribe کے بہترین متبادل · YouTube ویڈیو کو متن کیسے بنائیں؟ · SRT فائل کیا ہے؟ · مستقل اور اختیاری سب ٹائٹل
ماخذ
- Radford اور دیگر، کمزور نگرانی سے بڑے پیمانے پر مضبوط گفتار شناخت (Whisper مقالہ، OpenAI، 2022): جدول 2، 9، 13 اور 16، حصے 3 تا 6
- OpenAI، GitHub پر openai/whisper: README ماڈل جدول، turbo کی تفصیل، ہر زبان کے WER کا چارٹ
- OpenAI اور Hugging Face، whisper-large-v3 ماڈل کارڈ: تبدیلیاں، آزمائے گئے استعمال اور حدود
- Koenecke اور دیگر، Careless Whisper: گفتار سے متن میں گھڑے ہوئے متن کے نقصانات (2024)
- jiwer: WER اور CER کے لیے اوپن سورس لائبریری
- Hugging Face، Open ASR Leaderboard: کھلے گفتار ماڈلز کا آزاد اور باقاعدہ تازہ ہونے والا موازنہ
