whispertranscribe.ai tahririyati · Yangilangan: 2026-yil noyabr · 13 daqiqalik o‘qish · Toifa: Transkripsiya aniqligi
Whisper qanchalik aniq? OpenAI maqolasida tiniq, o‘qilgan inglizcha nutqda Whisper large-v2 uchun so‘z xatosi darajasi (WER) 2.5%, ya’ni 100 so‘zdan taxminan 97–98 tasi to‘g‘ri. Murakkabroq audioda natija yomonroq: telefon qo‘ng‘iroqlarida 13.6%, shovqinli kechki davrada 24.9%, uzoqdagi bitta mikrofon bilan yozilgan uchrashuvda 39.9%.
Whisper — OpenAI’ning ochiq manbali nutqni tanish modeli va ko‘plab transkripsiya ilovalari, jumladan bizning vositamizning asosi. Bu qo‘llanmada faqat aniqlik: WER nimani o‘lchashi, audio turi va til bo‘yicha natijalar, Whisper xatolari va o‘zingiz sinash usuli ko‘rib chiqiladi. Model tarixi uchun Whisper AI nima izohiga qarang.
Raqamlarning aksariyati Whisper maqolasidan (Radford va boshqalar, 2022); unda har bir model test to‘plamiga moslashtirilmasdan «zero-shot» sinovdan o‘tgan. Yangiroq large-v3 model kartasi ko‘p tillarda large-v2 ga nisbatan 10%–20% kam xato haqida xabar beradi, ammo har bir ma’lumot to‘plami bo‘yicha to‘liq jadval bermaydi. Ushbu maqolani whispertranscribe.ai nashr etadi. Biz bu maqola uchun benchmark o‘tkazmadik; bu raqamlar bizning test natijamiz emas.
Whisper aniqligi bir qarashda
Bitta test barcha savollarga javob bermaydi: natijaga audioning o‘zi eng ko‘p ta’sir qiladi. Jadval OpenAI’ning beam search va temperature fallback bilan large-v2 natijalarini (ilova 9-jadval) OpenAI matn normallashtirgichidan keyin ko‘rsatadi.
| Audio turi | Maqoladagi test to‘plami | Whisper large-v2 WER | To‘g‘ri so‘zlarning taxminiy ulushi |
|---|---|---|---|
| Audiokitob, tiniq o‘qish | LibriSpeech test-clean | 2.5% | 100 tadan taxminan 97.5 |
| O‘qilgan yangilik matni | WSJ | 2.6% | 100 tadan taxminan 97.4 |
| TED nutqlari | TED-LIUM 3 | 3.7% | 100 tadan taxminan 96 |
| Audiokitob, murakkabroq so‘zlovchilar | LibriSpeech test-other | 4.9% | 100 tadan taxminan 95 |
| Uy mikrofonlaridagi ko‘ngillilar | Common Voice 5.1 | 8.2% | 100 tadan taxminan 92 |
| Telefon suhbatlari | Switchboard | 13.6% | 100 tadan taxminan 86 |
| Uzun sotsiolingvistik intervyular | CORAAL | 14.2% | 100 tadan taxminan 86 |
| Oila va do‘stlar telefon suhbatlari | CallHome | 16.4% | 100 tadan taxminan 84 |
| Uchrashuv, har kimda garnitura mikrofoni | AMI IHM | 17.4% | 100 tadan taxminan 83 |
| Kechki davra, uzoq mikrofonlar | CHiME-6 | 24.9% | 100 tadan taxminan 75 |
| Uchrashuv, stolda bitta uzoq mikrofon | AMI SDM1 | 39.9% | 100 tadan taxminan 60 |
«To‘g‘ri so‘z ulushi» — 100 dan WER’ni ayirish orqali olingan taxmin, chunki WER qo‘shilgan so‘zlarni ham hisoblaydi.
Ko‘pincha 2.7% raqami ham uchraydi: bu o‘sha modelning sodda greedy decoding bilan natijasi (maqola 2-jadval). AMI qatorlari ham bir xil uchrashuvlarning ikki xil yozuvi. Mikrofonni har bir so‘zlovchi boshidan stol o‘rtasiga ko‘chirish xato darajasini ikki baravardan ko‘proq oshiradi.
So‘z xatosi darajasi (WER) nima va qanday hisoblanadi?
WER — inson tekshirgan etalon transkriptga nisbatan xato so‘zlar ulushi. Uch xil xatoni sanab, etalondagi so‘zlar soniga bo‘ling:
WER = (almashtirishlar + tushirib qoldirishlar + qo‘shishlar) ÷ etalondagi so‘zlar
- Almashtirish: to‘g‘ri so‘z o‘rnida noto‘g‘ri so‘z («loyiha» o‘rniga «loyqa»).
- Tushirish: aytilgan so‘z transkriptda yo‘q.
- Qo‘shish: hech kim aytmagan so‘z transkriptda bor.
Ochiq manbali jiwer kutubxonasi bilan baholash mumkin bo‘lgan o‘z misolimiz:
| Satr | Matn |
|---|---|
| Etalon (22 so‘z) | biz yangi mahsulot taqdimotini martning to‘qqizinchi kuniga ko‘chirdik chunki yetkazib beruvchi ikki muddatni o‘tkazdi va doktor patel yangi sinov rejasini talab qildi |
| Transkript | biz yangi mahsulot tadbirini martning to‘qqizinchi kuniga ko‘chirdik chunki yetkazib beruvchi ikki muddatni o‘tkazdi va doktor batal yangi sinov rejasini talab bugun |
| Xatolar | 2 almashtirish (tadbirini, batal), 1 tushirish (qildi), 1 qo‘shish (bugun) |
| WER | 4 ÷ 22 = 18.2% |
WER bilan bog‘liq uch jihat:
- 100% dan oshishi mumkin. Qo‘shishlar cheksiz; maqolaning Fleurs natijalarida ayrim resursi kam tillar 100% dan oshadi.
- Normallashtirish natijani o‘zgartiradi. «Dr.» va «doctor» ikkala matn bir xil tozalanmasa xato sanaladi. OpenAI ayrim to‘plamlarda normallashtirgich WER’ni asosan format farqlarini yo‘qotib 50% gacha kamaytirganini aytadi.
- Ayrim tillarda belgi xatosi darajasi (CER) ishlatiladi. Xitoy, yapon, tay, lao va birma tillarida so‘zlar bo‘shliq bilan ajratilmagani uchun maqola belgilarni baholaydi.
Test to‘plami va hisoblash usuli ko‘rsatilmagan aniqlik da’vosi, kim aytishidan qat’i nazar, jumladan biz aytsak ham, o‘lchov emas.
Whisper ingliz tilida qanchalik aniq?
Whisper tiniq inglizchada juda aniq va murakkab inglizchada ham foydalanishga yaroqli. Maqolada u LibriSpeech’da deyarli bir xil natijaga ega nazoratli wav2vec 2.0 modeliga qaraganda boshqa 12 ta inglizcha to‘plam bo‘yicha 55.2% kamroq xato qilgan.
Uzun yozuvlar
Whisper audioni 30 soniyalik oynalarda o‘qiydi, shuning uchun maqolada uzun fayllar alohida sinovdan o‘tgan (ilova 16-jadval, large-v2):
| Uzun yozuv test to‘plami | Tarkibi | WER |
|---|---|---|
| TED-LIUM 3 | 11 ta to‘liq TED nutqi | 3.5% |
| Meanwhile | 64 ta tungi teleko‘rsatuv lavhasi, noodatiy so‘zlar ko‘p | 5.1% |
| Kincaid46 | 2018-yilgi taqqoslashdan 46 ta turli yozuv | 8.8% |
| Earnings-21 | Kompaniyalar moliyaviy natija qo‘ng‘iroqlari | 9.7% |
| Rev16 | 16 ta podkast epizodi | 11.3% |
| Earnings-22 | Ko‘p aksentli qo‘shimcha moliyaviy qo‘ng‘iroqlar | 12.6% |
| CORAAL | Afroamerikalik inglizchasidagi 231 to‘liq intervyu | 19.6% |
Whisper va inson transkripsiyachilari
OpenAI Kincaid46’dagi 25 yozuvni to‘rtta inson xizmati va bitta kompyuter yordamidagi xizmatga transkripsiya qildirgan. Kompyuter yordamidagi xizmat Whisper’dan 1.15 foiz punkt yaxshiroq, faqat inson xizmatlari esa punktning kichik qismigina yaxshiroq natija ko‘rsatgan. Maqola natijani mukammal emas, ammo inson aniqligiga juda yaqin deb baholagan.
Model hajmi muhim
Whisper bir necha o‘lchamda mavjud; ilovalar qaysi biridan foydalanishini har doim aytmaydi (ilova 9-jadval):
| Model | Parametrlar | 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% |
Audio qiyinlashganda farq ortadi: tiniq audiokitoblarda taxminan 4 punkt, kechki davrada 23 punkt. Yangiroq turbo modeli optimallashtirilgan large-v3 bo‘lib, OpenAI GitHub READMEsi tezlikni ancha oshirish evaziga aniqlik juda oz pasayishini aytadi.
Whisper boshqa tillarda qanchalik aniq?
Inglizchadan tashqarida aniqlik asosan Whisper o‘sha tilda qancha audio bilan o‘qitilganiga bog‘liq. Maqolada o‘qitish soatlari logarifmi va WER logarifmi o‘rtasida kvadrat korrelyatsiya 0.83 bo‘lgan; ma’lumot 16 baravar oshganda WER taxminan yarmiga tushishi hisoblangan. Inglizcha bo‘lmagan 96 tilning aksariyatida 1,000 soatdan kam audio bor edi.
Tanlangan Fleurs natijalari (o‘qilgan gaplar, large-v2, ilova 13-jadval):
| Til | Fleurs WER | Izoh |
|---|---|---|
| Ispancha | 3.0% | Jadvaldagi eng pasti |
| Inglizcha | 4.2% | |
| Portugalcha | 4.3% | |
| Nemischa | 4.5% | |
| Yaponcha | 5.3% | Belgi xatosi darajasi |
| Ruscha | 5.6% | |
| Fransuzcha | 8.3% | |
| Koreyscha | 14.3% | Chetdagi natija sifatida belgilangan |
| Xitoycha | 14.7% | Belgi xatosi darajasi |
| Arabcha | 16.0% | |
| Hindcha | 21.5% | |
| Ibroniycha | 27.1% | Chetdagi natija sifatida belgilangan |
| Suahili | 39.3% | |
| Telugu | 99.0% | Chetdagi natija sifatida belgilangan |
Maqola ibroniy, telugu, xitoy va koreys tillarida natija o‘qitish ma’lumotlariga qaraganda kutilganidan yomonroq ekanini qayd etadi; sabab til masofasi, yozuv tizimiga yomon mos tokenizer yoki ma’lumot sifati bo‘lishi mumkin. Fleurs o‘qilgan nutqdan iborat; suhbatda xato ko‘proq bo‘lishini kuting. README’da Common Voice 15 va Fleurs bo‘yicha large-v3 va large-v2 ning yangiroq grafigi bor.
Audio ispan tilini matnga transkripsiya qilish uchun ispancha natijalar umidli. Resursi kamroq tillarda katta loyihaga kirishishdan oldin qisqa parcha sinang.
Whisper aniqligiga nimalar ta’sir qiladi?
Eng muhim omil yozish sharoitidir. Maqola va model kartasidagi dalillar:
| Omil | Dalil nimani ko‘rsatadi | Nima qilish kerak |
|---|---|---|
| Fon shovqini | Signal-shovqin nisbati 10 dB dan past bar shovqinida Whisper barcha 14 ta taqqoslash modelidan yaxshi bo‘lgan, ammo shovqin ortishi bilan barchasi yomonlashgan | Tinch xonada, ventilyator va musiqadan uzoqda yozing |
| Mikrofon masofasi | Bir xil AMI uchrashuvlari: garnitura mikrofonida 17.4%, bitta stol mikrofonida 39.9% | Mikrofonni gapirayotgan odamga yaqin tuting |
| Suhbat va ustma-ust gapirish | Telefon va kechki davrada 13.6%–24.9%, o‘qilgan nutqda 2.5% | Bir paytda bir kishi gapirsin; har biriga mikrofon |
| Aksent va shevalar | Model kartasi aksent va shevalar bo‘yicha aniqlik notekisligini ko‘rsatadi; uzun CORAAL intervyulari 19.6% | Haqiqiy yozuvlaringizdagi kabi so‘zlovchilar bilan sinang |
| Kam uchraydigan so‘z va atamalar | Atamalar ko‘p Meanwhile’da yaxshi (5.1%), ammo ism va texnik so‘zlar ko‘p xato qilinadi | Ism va atamalarni ro‘yxat bilan tekshiring |
| Til resurslari | Fleurs WER 3.0% (ispancha) dan 99.0% (telugu) gacha | Tilni o‘zingiz tanlang; resursi kam tillar uchun ko‘proq tekshirish rejalang |
| Model hajmi | CHiME-6’da tiny 48.0%, large-v2 24.9% | Vosita qaysi modelni ishlatishini so‘rang yoki eng kattasini tanlang |
| Fayl formati va diskretlash chastotasi | Whisper kodi barcha audioni 16 kHz monoga qayta diskretlaydi | 48 kHz WAV tiniq 16 kHz faylga nisbatan foyda bermaydi |
MP3’ni katta WAV’ga aylantirish yo‘qolgan tafsilotni tiklamaydi. O‘rtacha bitreytli toza yozuv yuqori bitreytli shovqinli yozuvdan yaxshi.
Whisper’ning ma’lum muammolari: to‘qima matn, takrorlanish va vaqt belgilari
OpenAI ushbu xatolarning har birini hujjatlashtirgan; ularning ahamiyati WER’dagi ulushidan kattaroq bo‘lishi mumkin.
To‘qima matn
Whisper hech kim aytmagan so‘zlarni yozishi mumkin. Model kartasi audio kirishda aslida aytilmagan matnlar paydo bo‘lishi mumkinligini aytadi; ehtimol model keyingi so‘zlarni ham bashorat qiladi. Maqola cheklovlarida audio bilan bog‘liq bo‘lmagan butunlay to‘qima natija ham qayd etilgan.
Mustaqil Careless Whisper tadqiqoti (Koenecke va boshqalar, 2024) 2023-yil aprel va mayda 13,140 audio segmentini OpenAI Whisper API orqali o‘tkazgan. Transkripsiyalarning taxminan 1% ida (o‘rtacha 1.4%) butunlay to‘qilgan ibora yoki gaplar bor edi; ularning 38% ida zo‘ravonlik yoki noto‘g‘ri bog‘lash kabi zararli mazmun bo‘lgan. Uzoqroq pauza qilgan so‘zlovchilarda, bu tadqiqotda afaziyali odamlarda, ko‘proq kuzatilgan. API o‘shandan beri o‘zgargan, shuning uchun buni 2023-yil o‘lchovi deb oling.
Takrorlanish va tushib qolgan so‘zlar
Model kartasiga ko‘ra Whisper takroriy matnga moyil; beam search va harorat jadvali buni kamaytiradi, ammo butunlay bartaraf etmaydi. Maqolada segmentning birinchi yoki oxirgi so‘zlari tushib qolishi ham aytilgan. Dekodlash tuzatishlari uzun yozuvlar bo‘yicha o‘rtacha WER’ni 11.0% dan 10.0% ga tushirgan: yaxshiroq, ammo muammo hal bo‘lmagan.
Sukut, musiqa va to‘ldiruvchi so‘zlar
To‘qima matn uzoq sukut va musiqada ko‘proq uchraydi. Maqolada Whisper’ning o‘z «nutq yo‘q» signali yolg‘iz o‘zi ishonchsiz deb topilgan; ochiq manbali kodda ehtimoliy to‘qima aniqlanganda uzun sukutni o‘tkazish opsiyasi bor.
Vaqt belgisi siljishi va uzun fayllar
Whisper uzun audioda 30 soniyalik oynalar bo‘ylab yuradi va keyingi oynani joylashtirishda o‘zi bashorat qilgan vaqt belgilaridan foydalanadi; maqolaga ko‘ra bir oynadagi xato keyingisiga o‘tishi mumkin. Kodda so‘z darajasidagi vaqt belgilari «experimental» deb belgilangan. Subtitrlarda pauzalar atrofidagi vaqtni tekshiring.
Ishlab chiqish paytida OpenAI Whisper so‘zlovchi ismlarini taxmin qilganini va ular deyarli doim noto‘g‘ri bo‘lganini ham kuzatgan. Chiqarilgan modellar buni kamaytirish uchun moslashtirilgan, ammo matndagi ismlarni tekshiring.
Whisper transkripsiyasi aniqligini oshirishning 10 usuli
Ko‘p yaxshilanish transkripsiya tugmasini bosishdan oldin sodir bo‘ladi. Taxminan ta’siri kattadan kichikka:
- Mikrofonni yaqin qo‘ying. AMI uchrashuvlarida masofaning o‘zi xato darajasini ikki baravardan oshirgan.
- Shovqinni manbada kamaytiring. Derazalarni yoping, ventilyator va musiqani o‘chiring.
- Ustma-ust gapirishdan qoching. Bir paytda bir kishi gapirishi har qanday sozlamadan yaxshi.
- Uzun sukut va musiqali kirishni kesing, to‘qima matn ko‘p uchraydigan joylar. Gap o‘rtasida emas, pauzada kesing.
- Tilni o‘zingiz belgilang. Whisper 82 ta Fleurs tilida tilni 80.3% hollarda to‘g‘ri aniqlagan, shuning uchun qisqa yoki aksentli parchalarda avtomatik aniqlash xato qilishi mumkin.
- Mavjud eng katta modelni ishlating, ayniqsa shovqinli yozuvlarda.
- O‘zingiz joylashtirgan modelga ism va atamalarni prompt qiling. Ochiq manbali Whisper kutilgan yozilishlar uchun
--initial_promptqabul qiladi. - Asl faylni yuklang. Karnaydan qayta yozish yoki qayta-qayta siqish tafsilotni yo‘qotadi.
- Atamalarni tekshiring. Har bir ism, son, sana va qisqartmani qidirib audio bilan solishtiring.
- Ikki marta tekshiring. Avval normal tezlikda xatolarni tuzating. Keyin takroriy satr, sukut ustidagi gap yoki «Tomosha qilganingiz uchun rahmat» kabi yakunlarni qidiring. Huquqiy, tibbiy yoki nashr etiladigan ishni inson to‘liq tekshirsin.
O‘z audioingizda Whisper aniqligini qanday o‘lchash mumkin?
Ishingiz uchun eng yaxshi baho — o‘z yozuvlaringizda 30 daqiqalik sinov. Quyidagi bosqichlarni o‘zingiz bajarasiz; bu whispertranscribe.ai testi emas.
- Uchta 2 daqiqalik parcha tanlang: haqiqiy ishingizga o‘xshash oson, odatiy va qiyin yozuv.
- Etalon transkriptni qo‘lda so‘zma-so‘z yozing. Avval qoidalarni belgilang: «em»ni saqlash yoki olib tashlash, sonlarni raqam yoki so‘zda yozish.
- Har bir parchani sinayotgan vositada transkripsiya qiling va oddiy matn sifatida saqlang.
- Ikkala matnni bir xil normallashtiring. OpenAI normallashtirgichi
openai-whisperbilan keladi. - jiwer bilan WER’ni hisoblang:
# 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}")
- Muhim xatolarni alohida sanang. Beshta noto‘g‘ri to‘ldiruvchi so‘z va beshta noto‘g‘ri mijoz ismi bir xil WER beradi, ammo muammo bir xil emas.
- Natijalarni qayd eting, vosita yoki sozlamalarni taqqoslash uchun:
| Parcha | Sharoit | Etalon so‘zlari | S | D | I | WER | Muhim xatolar |
|---|---|---|---|---|---|---|---|
| A parcha | Tinch xona, bitta so‘zlovchi | 310 | |||||
| B parcha | Videoqo‘ng‘iroq, ikki so‘zlovchi | 285 | |||||
| C parcha | Kafe, aksentli so‘zlovchi | 296 |
So‘z sonlari namuna uchun berilgan. 4-bosqichga ehtiyotkorlik: inglizcha normallashtirgich «Dr.» va «doctor», «two» va «2»ni moslashtirishi mumkin, lekin «9th» va «ninth» farqini xato deb hisoblashi mumkin. Natijaga ishonishdan oldin belgilangan farqlarni o‘qing.
whispertranscribe.ai qanchalik aniq?
whispertranscribe.ai — Whisper asosidagi veb AI transkripsiya vositasi, 130+ tilni, 5GB va 10 soatgacha yuklamalarni qo‘llab-quvvatlaydi. Tiniq audioda aniqlik 99% gacha; fon shovqini, kuchli aksent va ustma-ust nutq, yuqoridagi Whisper benchmarklari ko‘rsatganidek, uni kamaytiradi. Biz maqola natijalariga teng yoki undan yaxshi ekanimizni da’vo qilmaymiz va o‘z benchmarkimizni e’lon qilmaganmiz, shu sababli yuqoridagi bosqichlar bilan o‘z parchalaringizni sinang.
- Noise / Low-Quality Audio/Video variantlari til tanlagichida ko‘p tillar uchun. Shovqinli faylda standart va shovqin variantlarini sinab taqqoslang.
- 130+ til, Multilingual Mix va audioni ingliz tiliga tarjima qilish.
- 5GB va 10 soatgacha fayllar, so‘zlovchini aniqlash va vaqt belgilari (barcha funksiyalar).
- Toza kirish: mikrofonni yaqin qo‘yib brauzerda yozing yoki faqat audio yuklash uchun videoni MP3’ga aylantiring.
- Eksport: DOCX, PDF, TXT, CSV, SRT va VTT; vaqt belgili subtitrlar uchun subtitr generatori.
Akkauntsiz bepul boshlash mumkin. Pullik rejalar yillik to‘lovda $9.99/oydan; narxlarni ko‘ring.
Ko‘p so‘raladigan savollar
Whisper 99% aniqmi?
Umuman olganda yo‘q. Whisper’ning e’lon qilingan eng yaxshi natijasi tiniq o‘qilgan audiokitoblar to‘plami LibriSpeech test-clean’da 2.5% WER, taxminan 97.5% so‘z to‘g‘ri. Telefon, uchrashuv va shovqinli xonalarda OpenAI raqamlari taxminan 13%–40% WER. «99%» faqat qaysi audioda o‘lchangani aytilsa ma’noli. Whisper asosidagi vositalarni, jumladan whispertranscribe.ai’ni, sarlavhadagi foiz bo‘yicha emas, o‘z yozuvlaringizda baholang.
Eng aniq Whisper modeli qaysi?
Large modellari eng aniq. OpenAI maqolasida large-v2 aksariyat testlarda eng kam xatoga ega edi; large-v3 model kartasi ko‘p tillarda large-v2 dan 10%–20% kam xato haqida xabar beradi. Turbo optimallashtirilgan large-v3 bo‘lib, OpenAI’ga ko‘ra katta tezlik evaziga aniqlikni biroz yo‘qotadi. Eng kichik tiny qiyin audioda ancha noaniq: shovqinli kechki davrada 48.0% WER, large-v2 da 24.9%.
Nima uchun Whisper aytilmagan so‘zlarni yozadi?
Whisper tovushni transkripsiya qilish bilan birga ehtimoliy matnni bashorat qilishga o‘qitilgani uchun to‘qima yaratishi mumkin; OpenAI model kartasi audioda bo‘lmagan matn chiqishi mumkinligidan ogohlantiradi. Bu ko‘pincha uzoq sukut, musiqa yoki shovqinda yuz beradi. 2023-yildagi mustaqil tadqiqot transkripsiyalarning taxminan 1% ida to‘qima iboralarni topgan; pauzalar ehtimolni oshirgan. Sukutni kesish, tilni belgilash va jim qismlarni tekshirish xavfni kamaytiradi.
Whisper aksentlarda qanchalik aniq?
Whisper ko‘plab eski tizimlardan yaxshiroq ishlaydi, ammo hamma aksentlarda teng emas. OpenAI model kartasiga ko‘ra bir til aksent va shevalari o‘rtasida aniqlik farq qiladi. Maqolada afroamerikalik inglizchasidagi uzun intervyular (CORAAL) 19.6% WER, to‘liq TED nutqlari 3.5% bo‘lgan, garchi yozuv sharoiti ham farq qilsa. Ishonchli usul — haqiqiy yozuvlaringizga o‘xshash so‘zlovchi bilan parchani sinash va kuchli aksentda ko‘proq tekshiruv rejalash.
Whisper inson transkripsiyachisidek aniqmi?
Inglizchada Whisper yaqinlashadi, ammo eng yaxshisiga yetmaydi. OpenAI 25 ta yozuvda beshta professional xizmat bilan taqqoslagan. Kompyuter yordamidagi xizmat umumiy WER bo‘yicha Whisper’dan 1.15 punkt past, to‘rt inson xizmati esa punktning kichik qismigina yaxshiroq bo‘lgan. Insonlar odatda ism, ustma-ust gapirish va noaniq nutqni yaxshiroq hal qiladi. Iqtibos, rasmiy hujjat yoki nashr uchun transkriptni inson audio bilan solishtirsin.
Whisper inglizchadan boshqa tillarda qanchalik aniq?
Tilga qarab katta farq qiladi. Fleurs benchmarkida large-v2 ispancha 3.0%, nemischa 4.5%, fransuzcha 8.3%, ibroniycha 27.1%, telugu tilida 99.0% WER olgan. Xitoy va yapon tili belgi xatosi bilan baholanadi: 14.7% va 5.3%. Maqolada aniqlik har bir tildagi o‘qitish audiosi miqdoriga bog‘liqligi topilgan. Resursi kam tillarda avval qisqa parchani sinang va tuzatishga ko‘proq vaqt ajrating.
O‘z yozuvingizda aniqlikni sinang
Benchmarklar boshqalarning audiosini tasvirlaydi. whispertranscribe.ai’ga 130+ tildan birida parcha yuklang va ushbu qo‘llanmadagi bosqichlar bilan baholang. Akkauntsiz bepul boshlang yoki rejalarni taqqoslang.
Tegishli maqolalar: Whisper AI nima? · Eng yaxshi bepul transkripsiya dasturlari · Eng yaxshi TurboScribe muqobillari · YouTube videosini transkripsiya qilish · SRT fayli nima? · Qattiq va yumshoq subtitrlar
Manbalar
- Radford va boshqalar, Robust Speech Recognition via Large-Scale Weak Supervision (Whisper maqolasi, OpenAI, 2022): 2, 9, 13 va 16-jadvallar hamda 3–6-bo‘limlar
- OpenAI, GitHub’da openai/whisper: README model jadvali, turbo izohi va tillar bo‘yicha WER grafigi
- OpenAI va Hugging Face, whisper-large-v3 model kartasi: large-v3 o‘zgarishlari, baholangan foydalanish va cheklovlar
- Koenecke va boshqalar, Careless Whisper: Speech-to-Text Hallucination Harms (2024)
- jiwer: WER va CER uchun ochiq manbali kutubxona
- Hugging Face, Open ASR Leaderboard: ochiq nutq modellarining mustaqil, muntazam yangilanadigan taqqoslanishi
