চীনা ট্রান্সক্রিপশন ফাইল আপলোডের আগে একটি সংগ্রহ-সংক্রান্ত প্রশ্ন। মডেলটি কোন কথ্য বৈচিত্র্য সামলায়, কোন লিপি লেখে, এবং ফলাফলটি কথ্য ভাষা বজায় রাখে নাকি সেটিকে আনুষ্ঠানিক লিখিত চীনা-তে স্বাভাবিকীকরণ করে—এসব জিজ্ঞেস করুন। একটি মাত্র “Chinese” সেটিং এই সিদ্ধান্তগুলোকে অনির্দিষ্ট রেখে দিতে পারে।

মূল বিষয়গুলো

চীনা ট্রান্সক্রিপশনের তিনটি আলাদা প্রয়োজন আছে

কথ্য বৈচিত্র্য রিকগনিশন সিস্টেমকে বলে কোন ধরনের বক্তৃতা আশা করতে হবে। Mandarin এবং Cantonese-এর জন্য আলাদা মূল্যায়ন দরকার; একটি মডেল যা সাধারণ Chinese কোড গ্রহণ করে, তা উভয়ের জন্য একই ফল নাও দিতে পারে। লিপি জিজ্ঞেস করে আউটপুটে Simplified নাকি Traditional অক্ষর ব্যবহার হবে। রেজিস্টার জিজ্ঞেস করে একটি ক্যান্টোনিজ ট্রান্সক্রিপ্টে কথ্য শব্দচয়ন থাকবে নাকি তা Standard Written Chinese-এর মতো পড়বে। এগুলো আলাদা ডেলিভারেবল-সংক্রান্ত প্রয়োজন, এমনকি কোনো সেবা এক সেটিংয়ে এগুলো একত্র করলেও।

একটি আনুষ্ঠানিক পুনর্লিখন মিটিং নোটের জন্য উপযুক্ত হতে পারে, কিন্তু রেকর্ডিং পরীক্ষা না করে তা হুবহু উদ্ধৃতি হিসেবে ব্যবহার করা যায় না। সাক্ষাৎকার, আইনি রেকর্ড বা গবেষণামূলক ট্রান্সক্রিপ্টের জন্য, আপনার প্রয়োজনীয় শব্দচয়ন বজায় রাখে এমন একটি নমুনা চাইুন এবং পর্যালোচনার জন্য উৎস অডিও হাতে রাখুন।

আরও বিস্তৃত টুল তুলনা দরকার? আমাদের multilingual transcription guide লাইভ অনুবাদকে পোস্ট-মিটিং ট্রান্সক্রিপ্টের সঙ্গে তুলনা করে। এই পৃষ্ঠাটি ট্রান্সক্রিপশন কাজের ভেতরে চীনা ভাষার পছন্দগুলোর ওপর কেন্দ্রীভূত।

একটি ক্যান্টোনিজ বেঞ্চমার্ক লেবেল কী লুকাতে পারে

ACL 2025 dataset audit ক্যান্টোনিজ-লেবেলযুক্ত বক্তৃতা উপসেটের সঙ্গে যুক্ত written prompts শ্রেণিবদ্ধ করেছে। এর Table 5 Common Voice 17.0 yue এবং FLEURS yue_hk-এর মধ্যে তীব্র পার্থক্য দেখিয়েছে:

Text promptsStandard Written ChineseWritten vernacular CantoneseUnmarked
Common Voice 17.0 yue0.1%75.7%24.1%
FLEURS yue_hk89.8%0%10.2%

এই শতাংশগুলো টেক্সট প্রম্পটকে শ্রেণিবদ্ধ করে, পৃথক রেকর্ডিংয়ের কথ্য বৈচিত্র্যকে নয়। Common Voice-এ একটি ছোট মিশ্র শ্রেণিও আছে, যা এই টেবিলে বাদ দেওয়া হয়েছে।

পেপারটি ইঙ্গিত দেয় যে FLEURS yue_hk ভুলভাবে লেবেল করা হতে পারে, কারণ এর প্রম্পটগুলো মূলত Standard Written Chinese ব্যবহার করে। তবে এটি প্রমাণ করে না যে কোনো বক্তা রেকর্ডিংগুলো ক্যান্টোনিজে উচ্চারণ করেননি। এর মানে হলো কথ্য ক্যান্টোনিজ ট্রান্সক্রিপশন সম্পর্কে দাবি করার জন্য শুধু লেবেল যথেষ্ট প্রমাণ নয়। বিক্রেতার বেঞ্চমার্কে read prompts, conversational speech, নাকি আপনার লক্ষ্য ডোমেইন ব্যবহার করা হয়েছে—তা জিজ্ঞেস করুন।

একটি পৃথক LREC 2022 Cantonese dataset study দেখিয়েছে যে MDCC কর্পাসে প্রশিক্ষিত একটি মডেল MDCC-তে পরীক্ষা করলে 10.15% character error rate পেয়েছিল, কিন্তু একই মডেল Common Voice zh-HK-এ পরীক্ষা করলে 83.42% পেয়েছিল। এটি একটি আর্কিটেকচার ও দুটি টেস্ট সেটের ফল, সার্বজনীন ক্যান্টোনিজ error rate নয়। ব্যবহারিক শিক্ষা হলো আপনার উচ্চারণ, মাইক্রোফোন এবং বলার ধরন পরীক্ষা করা।

2026 multi-dialect ASR study-ও Mandarin এবং তার উপভাষা টেস্ট সেটে ভিন্ন ফল জানায়, কিন্তু সেই সংখ্যা ২০২২ সালের ক্যান্টোনিজ পরীক্ষার সঙ্গে সরাসরি তুলনীয় নয়। error metrics সম্পর্কে আরও জানতে আমাদের AI transcription accuracy comparison দেখুন।

ভাষা কোডগুলোকে মডেল-নির্দিষ্ট প্রতিশ্রুতি হিসেবে পড়ুন

Google Cloud Speech-to-Text Simplified Mandarin-এর জন্য cmn-Hans-CN, Traditional Mandarin-এর জন্য cmn-Hant-TW এবং Traditional Cantonese-এর জন্য yue-Hant-HK-সহ কোড তালিকাভুক্ত করে। এই কোডগুলো বৈচিত্র্য, লিপি এবং অঞ্চলকে একত্র করে। কোন রিকগনিশন মডেল কোন কোড সমর্থন করে, সেটিও অবস্থানভেদে ভিন্ন হয়।

Deepgram’s model list Nova-3-এর জন্য Cantonese Traditional-কে zh-HK হিসেবে চিহ্নিত করে, সঙ্গে Simplified এবং Traditional Mandarin বিকল্পও আছে। এর Flux STT language list-এ Chinese অন্তর্ভুক্ত নয়। একটি মডেলের জন্য দেখানো ভাষা অন্য মডেলে কাজ করবে ধরে নেওয়া উচিত নয়।

কোনো কোড তালিকাই বলে না যে কথ্য ক্যান্টোনিজকে আনুষ্ঠানিক গদ্যে স্বাভাবিকীকরণ করা হবে কি না। উদ্দেশ্যকৃত লিপি ও রেজিস্টারে একটি ছোট নমুনা চাইুন। সরবরাহকারী যদি রেজিস্টার প্রশ্নের উত্তর দিতে না পারে, তাহলে অডিওর সঙ্গে নমুনা লাইন বাই লাইন মিলিয়ে দেখুন।

শুধু শিরোনামের হার নয়, সেবাটিও তুলনা করুন

October 2026 অনুযায়ী, ElevenLabs’ Chinese Scribe page অডিও ঘণ্টাপ্রতি $0.40 দেখায়, আর GoTranscript’s Chinese page মানব ট্রান্সক্রিপশন $1.02 per minute থেকে বিজ্ঞাপন দেয়। এগুলো ভিন্ন পরিসরের শুরুর মূল্য, সমতুল্য কোট নয়। মানব সেবাটি Mandarin এবং Cantonese হ্যান্ডলিং, Simplified বা Traditional ডেলিভারেবল, এবং ঐচ্ছিক localization বিজ্ঞাপন দেয়। অর্ডার দেওয়ার আগে বর্তমান হার, অতিরিক্ত সুবিধা এবং সুনির্দিষ্ট ডেলিভারেবল যাচাই করুন।

বেঞ্চমার্ক সংখ্যার ক্ষেত্রেও একই সতর্কতা দরকার। AssemblyAI’s vendor-run multilingual comparison আলাদা Mandarin এবং Cantonese সারির বদলে একটি Chinese কলাম দেখায়। এটি পরীক্ষিত সিস্টেম ও ডেটাসেটের একটি স্ন্যাপশট, আপনার ক্যান্টোনিজ সাক্ষাৎকারে পারফরম্যান্সের প্রমাণ নয়। কোন model version, language subset এবং character error rate calculation উদ্ধৃত স্কোরটি তৈরি করেছে, তা জিজ্ঞেস করুন।

Mandarin-English switching-এর জন্য একটি bilingual sample-ও তৈরি করুন। ISCSLP 2022 Chinese-English challenge তার বিজয়ী সিস্টেমের জন্য 16.70% mixture error rate জানিয়েছিল, যেখানে challenge baseline ছিল 26.50%। সেই নিয়ন্ত্রিত ফল প্রতিটি মিটিংয়ের পূর্বাভাস দিতে পারে না, কিন্তু এটি দেখায় কেন একটি monolingual demo অসম্পূর্ণ ক্রয়-পরীক্ষা।

চীনা অডিও-টু-টেক্সটের জন্য চার ধাপের পরীক্ষা

  1. বক্তৃতা শনাক্ত করুন। উৎসটি Mandarin, Cantonese, অন্য কোনো বৈচিত্র্য, নাকি English-এর সঙ্গে মিশ্রিত—তা নথিভুক্ত করুন। মডেল যেখানে একটি স্পষ্ট সমর্থিত কোড দেয়, সেটি নির্বাচন করুন।
  2. আউটপুট নির্দিষ্ট করুন। Simplified বা Traditional অক্ষর এবং ট্রান্সক্রিপ্টে কথোপকথনধর্মী শব্দচয়ন বজায় রাখতে হবে কি না, তা উল্লেখ করুন।
  3. প্রতিনিধিত্বমূলক অডিও পরীক্ষা করুন। প্রকৃত উচ্চারণ, ব্যাকগ্রাউন্ড নয়েজ, নাম এবং যেকোনো ভাষা-পরিবর্তন অন্তর্ভুক্ত করুন। রেকর্ডিংয়ের সঙ্গে আউটপুট মিলিয়ে দেখুন।
  4. পর্যালোচনার পথ রাখুন। অডিও সংরক্ষণ করুন, মডেল ও সেটিংস নথিভুক্ত করুন, এবং সঠিক শব্দচয়ন গুরুত্বপূর্ণ হলে মানব পর্যালোচনার জন্য বাজেট রাখুন।

লাইভ ক্যাপশন এবং আর্কাইভাল ট্রান্সক্রিপ্টের সাফল্যের মানদণ্ড আলাদা। সেই ওয়ার্কফ্লো পছন্দের জন্য real-time versus recorded-audio transcription দেখুন। যদি লক্ষ্য হয় অন্য কোনো কথ্য ভাষা থেকে অনূদিত চীনা টেক্সট, তাহলে আমাদের Arabic to Chinese translator guide-এর মতো একটি speech translation workflow ব্যবহার করুন।

MirrorCaption কোথায় মানায়

MirrorCaption বর্তমানে একটি Chinese language option দেখায়। এটি আলাদা Cantonese option বা Simplified/Traditional script control দেয় না, এবং আমরা পণ্যের জন্য কোনো Chinese character error rate প্রকাশ করি না। আপলোড করা রেকর্ডিংগুলো প্রতি ফাইলে একটি নির্বাচিত source language নেয়। আপনার কাজের জন্য যদি certified বা verbatim ক্যান্টোনিজ রেকর্ড প্রয়োজন হয়, তাহলে স্পষ্ট নিয়ন্ত্রণ ও মানব পর্যালোচনা আছে এমন সেবা ব্যবহার করুন।

লাইভ Mandarin-English কথোপকথনের জন্য, MirrorCaption মানুষ কথা বলার সময় অনুবাদের পাশে মূল বক্তৃতা দেখাতে পারে। এটি মিটিংয়ের জন্য উপযোগী কি না, তা নির্ধারণ করতে নিজের নমুনা দিয়ে চেষ্টা করুন; এটি পর্যালোচিত archival transcript-এর বিকল্প নয়।

MirrorCaption বিনামূল্যে চেষ্টা করুন

একটি প্রতিনিধিত্বমূলক কথোপকথনে লাইভ Chinese এবং English captions পাশাপাশি দেখুন। চেষ্টা করার জন্য এক ঘণ্টা ফ্রি, একবারের জন্য, কোনো ক্রেডিট কার্ড ছাড়াই।

বিনামূল্যে শুরু করুন

প্রায়শই জিজ্ঞাসিত প্রশ্ন

ক্যান্টোনিজ ট্রান্সক্রিপশন কি Mandarin-এর মতোই সঠিক?

তুলনাযোগ্য একক কোনো accuracy number নেই। একটি 2022 Cantonese study দেখিয়েছে যে একটি মডেল তার নিজস্ব টেস্ট সেটে 10.15% character error rate থেকে আরেকটি কর্পাসে 83.42%-এ পৌঁছেছে। আপনি যে ধরনের অডিও ট্রান্সক্রাইব করতে চান, সেটিই পরীক্ষা করুন।

ট্রান্সক্রিপশন সফটওয়্যার কি স্বয়ংক্রিয়ভাবে Mandarin এবং Cantonese আলাদা করতে পারে?

সনাক্তকরণ মডেল ও রেকর্ডিংয়ের ওপর নির্ভর করে। Google Cloud Cantonese-কে yue-Hant-HK হিসেবে তালিকাভুক্ত করে; Deepgram Nova-3 এটিকে zh-HK হিসেবে তালিকাভুক্ত করে। যেখানে সম্ভব, একটি স্পষ্ট বৈচিত্র্য বেছে নিন এবং একটি নমুনা পরীক্ষা করুন।

একটি চীনা ট্রান্সক্রিপ্ট কি Simplified নাকি Traditional অক্ষরে ফিরে আসবে?

এটি সেবা ও মডেলের ওপর নির্ভর করে। কিছু নথিভুক্ত ভাষা কোড লিপিকে বৈচিত্র্য ও অঞ্চলের সঙ্গে একত্র করে। বড় ব্যাচ জমা দেওয়ার আগে প্রকৃত আউটপুট নিশ্চিত করুন।

চীনা এবং English মিশ্রিত একটি মিটিং টুলগুলো কীভাবে সামলায়?

ভাষা-পরিবর্তন ও নামসহ একটি প্রতিনিধিত্বমূলক রেকর্ডিং ব্যবহার করুন। ISCSLP 2022 challenge তার নিজস্ব টেস্ট সেটে বিজয়ী সিস্টেমের জন্য 16.70% mixture error rate জানিয়েছিল, যা bilingual audio সরাসরি পরীক্ষা করার একটি স্মরণ করিয়ে দেয়।

MirrorCaption কি আমাকে চীনা বৈচিত্র্য ও লিপি বেছে নিতে দেয়?

না। MirrorCaption বর্তমানে একটি Chinese language option দেয়, আলাদা Cantonese বা script control ছাড়া। আমরা আমাদের নিজস্ব কোনো Chinese accuracy benchmark প্রকাশ করি না।