Řečový engine může rozpoznat desítky jazyků napříč samostatnými nahrávkami a přesto mít potíže, když jeden mluvčí uprostřed věty přepne jazyk. U vícejazyčného přepisu audia si položte tři různé otázky: které jazyky model umí rozpoznat, jak vybírá jazyk a zachovává přepínání v rámci jedné nahrávky? Jediný uváděný počet jazyků nedokáže odpovědět na všechny tři.
Tento průvodce porovnává zdokumentované chování konkrétních konfigurací modelů a dává vám krátký test, který odhalí přehlédnutá přepnutí. Pro širší srovnání nástrojů pro živý přepis i záznamů se podívejte na našeho průvodce vícejazyčným přepisem.
- Pokrytí jazyků je podporovaná sada modelu. Není to záruka, že každá kombinace bude fungovat v jednom souboru.
- Automatická detekce jazyka může vybrat nejvhodnější možnost z kandidátů, aniž by přepisovala každý mluvený jazyk.
- Code switching znamená zachování změn jazyka v přepisu, včetně změn uvnitř věty. Ověřte přesný model a nastavení.
- Změřte výstup v každém bodě přepnutí na své vlastní nahrávce; benchmarky dodavatele tento test nenahradí.
Tři specifikace, na které se zeptejte
Pokrytí odpovídá na to, zda model vůbec podporuje daný jazyk. Detekce odpovídá na to, jak vybírá mezi možnými jazyky pro požadavek. Code switching odpovídá na to, zda dokáže sledovat změny v rámci tohoto požadavku. Jde o oddělená chování a verze modelu je stejně důležitá jako název dodavatele.
Například průvodce automatickým rozpoznáváním jazyků v Google Cloud Speech-to-Text umožňuje až tři kandidátní jazyky a uvádí, že služba použije jazyk, který z této sady nejlépe odpovídá. Tři zde znamená kandidáty k výběru; není to slib, že se všechny tři správně objeví v jednom přepisu. Stránka Googlu také omezuje tuto funkci na konkrétní modely a regiony.
Co ve skutečnosti říká dokumentace modelu
| Model nebo nastavení | Zdokumentované chování | Otázka k otestování |
|---|---|---|
| Výchozí přepis open-source Whisper | Pokud není zadán jazyk, detekuje jazyk z prvních až 30 sekund a poté tento jazyk použije pro dekódování. | Co se stane, když se jazyk později v souboru změní? |
| Automatické rozpoznávání Google Cloud Speech-to-Text V2 | Vybere nejvhodnější jazyk z až tří kandidátů. Jde o výběr jazyka, nikoli o zveřejněnou záruku code switchingu. | Zachová výstup oba jazyky v bodech přepnutí? |
| Konfigurace code switchingu AssemblyAI | Zdokumentované ruční nastavení jazykového kódu přijímá až dva kódy, z nichž jeden je angličtina; jeho automatické nastavení code switchingu dokáže detekovat až dva. | Je vámi zvolený model a jazyková dvojice touto konfigurací pokryta? |
| AssemblyAI Universal-3.5 Pro | Dokumentuje nativní code switching napříč 18 podporovanými jazyky. Osmnáct popisuje podporovanou sadu, nikoli uvedené maximum na jeden soubor. | Jsou všechny jazyky ve vašem klipu mezi těmito 18 a jak přesná jsou přepnutí? |
| Deepgram Nova-2 multilingual | Zdokumentovaný vícejazyčný režim podporuje code switching mezi angličtinou a španělštinou. | Používá vaše nahrávka přesně tuto dvojici a tento režim? |
| Deepgram Nova-3 multilingual | Deepgram dokumentuje code switching napříč sadou deseti jazyků s language=multi. Deset je jazyková sada modelu, nikoli zveřejněné maximum jazyků na jednu nahrávku. | Zachovává nakonfigurovaný režim krátká přepnutí ve vašich cílových jazycích? |
Tyto řádky popisují různé druhy omezení. Nesrovnávejte jejich čísla, jako by měřila totéž. Zejména počet kandidátů u Googlu a podporované sady u Universal-3.5 Pro a Nova-3 nelze porovnávat jako limity na jeden soubor. Hostované API pro přepis souborů od OpenAI je navíc samostatný produkt oproti výše uvedenému open-source kódu Whisper; otestujte jeho aktuální model nezávisle.
Jak otestovat vícejazyčnou nahrávku
- Vytvořte referenční klip. Nahrajte dvě minuty se skutečnými mluvčími. Zahrňte každý cílový jazyk, několik přepnutí, přepnutí uprostřed věty a jména, na kterých vašemu týmu záleží.
- Uchovejte ruční referenční přepis. Označte každou změnu jazyka a vlastní jméno, abyste přesně viděli, co bylo přehlédnuto.
- Použijte přesné produkční nastavení. Připněte verzi modelu a zapněte zdokumentovaný vícejazyčný nebo code-switching režim dodavatele. Uložte nastavení požadavku spolu s výsledkem.
- Přečtěte každý bod přepnutí. Hledejte vynechaná slova, slova přepsaná nesprávným písmem, překlad tam, kde jste chtěli přepis, a jazykové štítky, které za řečí zaostávají.
- Opakujte to s nejtěžší dvojicí. Přidejte šum nebo třetí jazyk jen tehdy, pokud se tyto podmínky vyskytují ve vašich skutečných nahrávkách. Porovnejte výsledky se stejným referenčním přepisem a u důležitých použití zajistěte lidskou kontrolu.
Číslo přesnosti od dodavatele může používat jiné jazyky, mluvčí i pravidla hodnocení. Tento postup vám řekne, zda jeho výstup funguje pro vaše audio. Pokud váš pracovní postup potřebuje i překlad, náš průvodce překladovými nástroji popisuje tento samostatný krok.
Kde se uplatní MirrorCaption
Živá cesta MirrorCaption je vytvořena pro titulky a překlad během konverzace. Současný klient posílá jazykové nápovědy se zapnutou identifikací jazyka; jednosměrný překlad může přijímat detekované zdrojové jazyky podporované nakonfigurovanou službou. Automatická detekce nepřidá podporu pro nepodporovaný jazyk. Tato konfigurace není měřenou zárukou pro každou jazykovou dvojici ani pro každé přepnutí uprostřed věty. Než se na ni začnete spoléhat, otestujte živou relaci se svými skutečnými mluvčími. Náš průvodce vícejazyčným call centrem popisuje živý pracovní postup.
Současné uživatelské rozhraní pro nahrávání souborů posílá jednu vybranou nápovědu ke zdrojovému jazyku. Nevyvozujte z živé konfigurace, že nahrané záznamy dostávají stejné vícejazyčné zpracování. U hotové nahrávky s několika jazyky otestujte výsledek nahrání a pokud přehlédne důležité pasáže, použijte specializovanou službu pro code switching nebo lidskou kontrolu.
Každý nový účet zahrnuje jednu hodinu zdarma, jednorázově, bez kreditní karty. Současný roční plán stojí €54.99 za 110 hodin ročně; před nákupem si ověřte aktuální ceny.
Často kladené otázky
Znamená seznam 99 jazyků, že jedna nahrávka může obsahovat všech 99?
Ne. Seznam podporovaných jazyků vám říká, které jazyky model umí rozpoznat. Zvláštní dokumentaci si ověřte pro automatickou detekci a code switching v rámci jedné nahrávky.
Je výběr tří kandidátních jazyků totéž co code switching?
Ne. Dokumentace Google Cloud Speech-to-Text uvádí, že její automatické rozpoznávání vybírá nejvhodnější jazyk z až tří kandidátů. Toto nastavení neslibuje vícejazyčný přepis.
Dokáže open-source Whisper automaticky sledovat změnu jazyka?
Výchozí cesta přepisu Whisper detekuje jazyk pomocí prvních až 30 sekund a tuto volbu použije pro dekódování. Nepředpokládejte automatické přepínání uprostřed souboru; otestujte vícejazyčný klip nebo jej záměrně rozdělte.
Dokáže MirrorCaption zpracovat vícejazyčnou nahrávku?
Živé relace MirrorCaption používají identifikaci jazyka a jazykové nápovědy. Současné uživatelské rozhraní pro nahrávání souborů posílá jednu vybranou nápovědu ke zdrojovému jazyku. Před spoléháním na výstup z vícejazyčného nahrávání otestujte reprezentativní nahrávku.
Nechte model, ať tvrzení prokáže
Vyberte model pro jazykovou dvojici a pracovní postup, který skutečně máte. Zkontrolujte jeho dokumentaci ke code switchingu, uložte přesné nastavení a otestujte klip obsahující skutečné body přepnutí. Dlouhý seznam jazyků je jen úvodní filtr; samotný přepis je důkazem pro nákup.
Vyzkoušejte živou vícejazyčnou relaci
Použijte své vlastní mluvčí a jazykovou dvojici. Vaše první hodina je zdarma.
Začít zdarma