A japán átírás a beszédet japán szöveggé alakítja. Ha beszédfelismerő eszközöket hasonlítasz össze, a pontozási módszerrel és a tesztben használt hanganyag típusával kezdd. Az olvasott mondatokon elért alacsony hibaarány nem árulja el, hogyan kezeli az eszköz az értekezletedet, interjúdat, tulajdonneveidet vagy a regionális beszédet.

A japán átírás különbözik a japánról angolra fordítástól és a japán latin betűs átírásától. Japán 2025-ös romanizációs útmutatója ez utóbbira vonatkozik; nem változtatja meg a beszédfelismerés pontosságát. Ez az útmutató a japán hanganyagból japán szövegbe történő átírást és az értékelés gyakorlati módját mutatja be.

Fő tanulságok

Miért CER-t használnak a japán benchmarkok

A japán írásban az általános szavak között nincsenek szóközök. A WER kiszámításához az értékelőnek először szóhatárokat kell választania mind a referencia-, mind az átírt szövegben; két különböző szegmentálás eltéréseket okozhat akkor is, ha az olvasó ugyanazt a mondatot érti. A CER a karaktereket hasonlítja össze, és elkerüli ezt a szegmentálási lépést. A Karita, Sproat és Ishikawa tanulmánya mindkét mérőszámot közli, és elmagyarázza ezt a korlátot.

A CER továbbra is szerkesztési távolságon alapuló pontszám egy referencia szöveghez képest. Az 5%-os CER és az 5%-os WER eltérő nevezővel dolgozik. Egyik sem jelent általános „95%-os pontosságot” a hanganyagodra. Ha egy szolgáltató japán százalékot közöl, kérdezd meg, melyik metrika, normalizálás, modellverzió és tesztkészlet eredményezte. Például az ElevenLabs japán WER-t közöl, míg az AssemblyAI többnyelvű táblázatai a japánt CER-ként jelölik; ezek az értékek nem hasonlíthatók össze közvetlenül.

Mit változtatnak az alternatív írásmódok a pontszámon

A japán bizonyos szavaknál több hagyományos írásmódot is megenged. Egy rögzített referencia egy valószínű kanji- vagy kana-választ hibának jelölhet. A 2023-as tanulmány a referenciaátiratok valószínű átírási változataiból hálózatokat épített, és ugyanazt a felismerőt hasonlította össze az eredeti és a kibővített referenciákkal. Három kutatási területen a CER 2,4–3,1 százalékponttal csökkent; a hangalapú keresési készletén a csökkenés 25,16% volt az eredeti hibaarányhoz képest. Maga a felismerő nem javult.

A tanulmány YouTube-tartományából 913 javasolt írásmódváltozatot három képzett értékelő bírált el. 95,4%-ukat valószínűnek, 16%-ukat pedig „nagyszerűnek” vagy az eredeti megfogalmazásnál jobbnak ítélték. Ezek a javasolt változatok értékelései, nem bizonyítékai annak, hogy egy motor hibáinak 95,4%-a ártalmatlan. A tanulmány azt is megjegyzi, hogy a stílus és a regiszter befolyásolhatja, melyik írásmód illik egy adott kontextushoz. Az általad közzétenni kívánt átiratnál magad ellenőrizd a neveket, a szakkifejezéseket és a kívánt írásstílust.

Hogyan hasonlítsd össze az eszközöket ugyanazon a feladaton

Egy szolgáltatói benchmark hasznos, ha feltünteti a teszthanganyagot, a pontozási módszert, a modellverziót és a futtatás dátumát. Az AssemblyAI aktuális benchmarkja például elkülöníti a többnyelvű FLEURS-t a Common Voice-tól, és elmagyarázza a normalizálását. Az eredményei és a modelllistája változik, így egy kimásolt rangsor gyorsan elavul; ráadásul maga is a benchmark üzemeltetője és résztvevője. A közzétett táblázatokat használd jelöltek kiválasztására, majd teszteld őket ugyanazokon a klipeken a saját munkaterhelésedből.

  1. Válassz egy rövid, hozzájárulással rögzített mintát azzal a mikrofonnal, szobazajjal, beszélőkkel és dialektussal, amire élesben számítasz.
  2. Írj referenciaátiratot, beleértve azokat az írásmódokat is, amelyeket a neveknél és szakterminusoknál ténylegesen megkövetelsz.
  3. Futtasd le az egyes jelölteket ugyanazon a fájlon, és rögzítsd a modelljüket, beállításaikat, kimeneti formátumukat és feldolgozási idejüket.
  4. Külön vizsgáld a jelentést megváltoztató szavakat és a kihagyásokat az elfogadható kana- vagy kanji-változatoktól. A vitatott részekhez tartsd elérhetően az eredeti hanganyagot.

A mi átírási eszközöket összehasonlító útmutatónk szélesebb körű, eszközök közötti tesztelést fed le. Ez a japán útmutató arra összpontosít, miért számít a pontozási egység és az írásmódra vonatkozó szabály, mielőtt egy rangsort olvasnál.

Dialektus és vegyes nyelvű felvételek

Egy Imaizumi és munkatársai által végzett 2022-es tanulmányban egy csak standard japánon tanított kutatási modell 52,5%-os CER-t ért el a dialektustesztjükön és 14,3%-ot a standard teszten. Ugyanezen hagyományos modell mindkét beszédtípuson történő tanítása 8,0%-ra csökkentette a dialektus CER-t, miközben a standard CER 14,9%-ra változott. A szerzők dialektusérzékeny módszereket is teszteltek, köztük egy olyat, amely mindkét készletet javította. Ezek az értékek az ő adathalmazaikat és rendszereiket írják le; nem a MirrorCaptiont, nem kifejezetten a Kansai-bent, és nem minden regionális változatot mérnek.

Ha egy felvétel regionális beszédet tartalmaz, az értékelésben ezt a beszédet mintázd meg, ne egy általános „támogatott japán” címkére hagyatkozz. Ha egy felvétel japán és angol között vált, teszteld a váltási pontokat, és ellenőrizd, melyik nyelven íródott az egyes szegmens. Egy nyelvi tipp vagy egyetlen kiválasztott forrásnyelv nem bizonyítja a megbízható kódváltást. A nyelvi támogatás és az automatikus nyelvfelismerés közti különbséghez lásd a többnyelvű hangátírásról szóló útmutatónkat.

Mit kínál a MirrorCaption japánhoz

A japán választható nyelv a MirrorCaption élő átírásában és fájlátírásában. Az élő munkamenetek a beszéd közben streamelik a szöveget; a fájlátírás aszinkron eredményt ad vissza. Az opcionális fordítás külön lépés a japán átirattól. A munkafolyamat kiválasztásához lásd az élő és fájlalapú átírásról szóló útmutatót.

Az arra jogosult új fiókok kipróbálhatják az ingyenes átírási keretet. Az aktuális fizetős opciók és a benne foglalt órák a árképzési oldalon találhatók; vásárlás előtt ellenőrizd őket, mert a csomag részletei változhatnak.

Próbáld ki a japán átírást a hanganyagodon

Próbálj ki egy reprezentatív klipet, majd ellenőrizd a neveket, a dialektusrészeket és az exportformátumot.

Kezdés ingyen

Gyakran ismételt kérdések

Miért CER-t használnak a japán beszédből szöveggé benchmarkok?

A japánban általában nincsenek szóközök a szavak között, ezért a WER-hez olyan szó-szegmentálási döntés kell, amely befolyásolhatja az eredményt. A CER a karaktereket hasonlítja össze anélkül, hogy előbb szavakat szegmentálna. Mindkettő továbbra is a referenciától és a normalizálási szabályoktól függ.

A 25,16%-os kutatási eredmény azt jelenti, hogy az átírási hibák negyede ártalmatlan?

Nem. Egy hangalapú keresési tesztkészleten egy 2023-as tanulmány a CER-t 25,16%-kal csökkentette az eredeti pontszámához képest azáltal, hogy megengedte a valószínű alternatív írásmódokat. Ez az eredmény nem alkalmazható hibák hányadaként egy másik modellre, adathalmazra vagy felvételre.

Tudja a japán átírás kezelni a regionális dialektusokat?

A beszédtől és a modelltől függ. Egy 2022-es kutatás nagy különbségeket talált a csak standard és a dialektust is tartalmazó tanítás között a saját adathalmazon. Teszteld a tényleges dialektusodat, és nézd át az átiratot; a MirrorCaptionnek nincs dialektusválasztója vagy közzétett dialektusbenchmarkja.

A MirrorCaption kanjit, hiraganát vagy romajit ad vissza?

Japán szöveget ad vissza írásrendszer-választó nélkül. Számíts a szokásos vegyes japán írásra, és ellenőrizd a neveket és a szakszavakat. A MirrorCaptionnek nincs furigana- vagy romaji-kimeneti beállítása.

Exportálhatok japán feliratokat SRT vagy VTT formátumban?

A MirrorCaption átiratszöveget és JSON-t exportál, de jelenleg nem exportál időzített SRT-t vagy VTT-t. Használj feliratszerkesztőt, ha időzített feliratokra van szükséged egy kész videóhoz.

Mi van, ha a felvételem japán és angol között vált?

Teszteld a váltási pontokat egy reprezentatív fájlon, és nézd át az egyes nyelvi szegmenseket. A japán kiválasztása fájlnyelvi tippként nem garantálja a pontos kódváltást.