Japonská transkripce převádí řeč do japonského textu. Pokud porovnáváte nástroje pro převod řeči na text, začněte metodou hodnocení a typem audia použitého v testu. Nízké procento chyb u čtených vět vám neřekne, jak si nástroj poradí s vaším meetingem, rozhovorem, vlastními jmény nebo regionální řečí.

Japonská transkripce se liší od překladu z japonštiny do angličtiny i od přepisu japonštiny do latinky. Japonské pokyny pro romanizaci z roku 2025 se týkají druhého jmenovaného; nemění přesnost rozpoznávání řeči. Tento průvodce se věnuje převodu japonského audia do japonského textu a praktickému způsobu, jak jej vyhodnotit.

Klíčové poznatky

Proč japonské benchmarky používají CER

Psána japonština nemá mezi běžnými slovy mezery. Pro výpočet WER musí hodnotitel nejprve zvolit hranice slov jak v referenci, tak v přepisu; dvě různé segmentace mohou vytvořit nesoulady, i když čtenář chápe stejnou větu. CER porovnává znaky a tomuto kroku segmentace se vyhýbá. Práce Karita, Sproata a Ishikawy uvádí obě metriky a toto omezení vysvětluje.

CER je stále skóre edit distance vůči referenčnímu textu. 5% CER a 5% WER mají různé jmenovatele. Ani jedno není obecná záruka „95% přesnosti“ pro vaše audio. Když dodavatel zveřejní japonské procento, zeptejte se, jaká metrika, normalizace, verze modelu a testovací sada k němu vedly. Například ElevenLabs zveřejňuje japonské WER, zatímco vícejazyčné tabulky AssemblyAI označují japonštinu jako CER; tato čísla nelze přímo porovnávat.

Co v hodnocení mění alternativní zápisy

Japonština u některých slov připouští více než jeden běžný zápis. Pevně daná reference může označit pravděpodobnou volbu kandži nebo kandži za chybu. Studie z roku 2023 vytvořila mřížky pravděpodobných přepisů referenčních transkriptů a porovnala stejný rozpoznávač s původními i rozšířenými referencemi. Ve třech výzkumných oblastech CER klesla o 2,4 až 3,1 procentního bodu; na sadě pro hlasové vyhledávání činilo snížení 25,16 % vůči původní chybovosti. Samotný rozpoznávač se nezlepšil.

Tři vyškolení hodnotitelé posoudili 913 navržených variant zápisu ze studie v doméně YouTube. 95,4 % označili jako pravděpodobné a 16 % jako „výborné“ nebo lepší než původní znění. Jde o hodnocení navržených variant, nikoli o důkaz, že 95,4 % chyb enginu je neškodných. Práce také uvádí, že styl a registr mohou ovlivnit, který zápis se hodí do konkrétního kontextu. U přepisu, který budete publikovat, sami zkontrolujte jména, technické termíny i zamýšlený styl psaní.

Jak porovnávat enginy na stejném úkolu

Benchmark dodavatele je užitečný, když zveřejní testovací audio, metodu hodnocení, verzi modelu a datum spuštění. Současný benchmark AssemblyAI například odděluje multilingual FLEURS od Common Voice a vysvětluje svou normalizaci. Jeho výsledky i seznam modelů se mění, takže zkopírované pořadí rychle zastará; navíc je provozovatelem benchmarku i jeho účastníkem. Použijte zveřejněné tabulky k výběru kandidátů a pak je otestujte na stejných klipech z vlastní pracovní zátěže.

  1. Vyberte krátký, odsouhlasený vzorek s mikrofonem, hlukem místnosti, mluvčími a dialektem, které očekáváte v produkci.
  2. Napište referenční transkript včetně zápisů, které skutečně požadujete pro jména a doménové termíny.
  3. Spusťte každého kandidáta na stejném souboru a zaznamenejte jeho model, nastavení, výstupní formát a dobu zpracování.
  4. Oddělte slova měnící význam a opomenutí od přijatelných variant kandži nebo kandži. U sporných pasáží si ponechte k dispozici původní audio.

Náš srovnávací přehled transkripčních nástrojů pokrývá širší testování napříč nástroji. Tento japonský průvodce se zaměřuje na to, proč před čtením žebříčku záleží na jednotce hodnocení a pravidlech zápisu.

Dialekt a nahrávky s více jazyky

Ve studii Imaizumiho a kolegů z roku 2022 výzkumný model trénovaný pouze na standardní japonštině dosáhl 52,5% CER na jejich dialektovém testu a 14,3 % na standardním testu. Trénink tohoto konvenčního modelu na obou typech řeči snížil dialektové CER na 8,0 %, zatímco standardní CER se posunulo na 14,9 %. Autoři testovali i metody citlivé na dialekt, včetně jedné, která zlepšila obě sady. Tato čísla popisují jejich datasety a systémy; neměří MirrorCaption, konkrétně kansai-ben ani každou regionální variantu.

Pokud nahrávka obsahuje regionální řeč, zahrňte ji do svého hodnocení místo spoléhání na obecný štítek „podporována japonština“. U nahrávky, která střídá japonštinu a angličtinu, otestujte místa přepnutí a zkontrolujte, v jakém jazyce byl každý segment zapsán. Jazyková nápověda nebo jediný zvolený zdrojový jazyk není důkazem spolehlivého přepínání kódu. Rozdíl mezi podporou jazyka a automatickou detekcí jazyka najdete v našem průvodci transkripcí vícejazyčného audia.

Co MirrorCaption pro japonštinu poskytuje

Japonština je v MirrorCaption dostupná jako volitelný jazyk pro živou transkripci i transkripci souborů. Živé relace streamují text během probíhající řeči; transkripce souboru vrací asynchronní výsledek. Volitelný překlad je samostatný krok od japonského přepisu. Pro volbu pracovního postupu se podívejte na živou versus souborovou transkripci.

Nové účty, které splňují podmínky, si mohou vyzkoušet bezplatný transkripční kredit. Aktuální placené možnosti a zahrnuté hodiny najdete na stránce cen; před nákupem je zkontrolujte, protože detaily tarifů se mohou měnit.

Vyzkoušejte japonskou transkripci na svém audiu

Otestujte reprezentativní klip a pak zkontrolujte jména, pasáže v dialektu i formát exportu.

Začít zdarma

Často kladené otázky

Proč benchmarky pro převod japonské řeči na text používají CER?

Japonština obvykle nemá mezi slovy mezery, takže WER vyžaduje volbu segmentace slov, která může ovlivnit skóre. CER porovnává znaky bez předchozí segmentace slov. Obě metriky stále závisí na referenci a pravidlech normalizace.

Znamená výsledek výzkumu 25,16 % to, že čtvrtina chyb v transkripci je neškodná?

Ne. V jedné sadě pro hlasové vyhledávání studie z roku 2023 snížila CER o 25,16 % vůči původnímu skóre tím, že povolila pravděpodobné alternativní zápisy. Tento výsledek nelze použít jako podíl chyb v jiném modelu, datové sadě nebo nahrávce.

Dokáže japonská transkripce zvládnout regionální dialekty?

Záleží na řeči a modelu. Výzkumná studie z roku 2022 zjistila na svých vlastních datasetech velké rozdíly mezi tréninkem pouze na standardní japonštině a tréninkem zahrnujícím dialekty. Otestujte svůj skutečný dialekt a zkontrolujte přepis; MirrorCaption nemá volbu dialektu ani zveřejněný benchmark dialektů.

Vrátí MirrorCaption kandži, hiraganu nebo romaji?

Vrací japonský text bez volby skriptu. Očekávejte běžný smíšený japonský zápis a zkontrolujte jména i odborné termíny. MirrorCaption nemá nastavení výstupu furigany ani romaji.

Mohu exportovat japonské titulky jako SRT nebo VTT?

MirrorCaption exportuje text přepisu a JSON, ale v současnosti neexportuje časované SRT ani VTT. Pokud potřebujete časované titulky pro hotové video, použijte editor titulků.

Co když se moje nahrávka přepíná mezi japonštinou a angličtinou?

Otestujte místa přepnutí na reprezentativním souboru a zkontrolujte každý jazykový segment. Zvolení japonštiny jako nápovědy pro jazyk souboru nezaručuje přesné přepínání kódu.