Um mecanismo de fala pode reconhecer dezenas de idiomas em gravações separadas e ainda assim ter dificuldade quando um locutor alterna de idioma no meio da frase. Para transcrição de áudio multilíngue, faça três perguntas diferentes: quais idiomas o modelo consegue reconhecer, como ele escolhe um idioma e ele preserva as alternâncias dentro de uma única gravação? Uma única contagem de idiomas anunciada não responde às três.
Este guia compara o comportamento documentado para configurações específicas de modelos e oferece um teste curto que expõe alternâncias perdidas. Para uma comparação mais ampla de ferramentas ao vivo e gravadas, veja nosso guia de transcrição multilíngue.
- A cobertura de idiomas é o conjunto suportado por um modelo. Não é uma garantia de que toda combinação funcione em um único arquivo.
- A detecção automática de idioma pode escolher a melhor opção entre candidatos sem transcrever todos os idiomas falados.
- Code switching significa manter as mudanças de idioma na transcrição, inclusive mudanças dentro de uma frase. Verifique o modelo e a configuração exatos.
- Meça a saída em cada alternância na sua própria gravação; benchmarks do fornecedor não substituem essa verificação.
Três especificações para solicitar
Cobertura responde se um modelo suporta um idioma em absoluto. Detecção responde como ele escolhe entre possíveis idiomas para uma solicitação. Code switching responde se ele consegue acompanhar mudanças dentro dessa solicitação. Esses são comportamentos separados, e a versão do modelo importa tanto quanto o nome do fornecedor.
Por exemplo, o guia de reconhecimento automático de idiomas do Google Cloud Speech-to-Text permite até três idiomas candidatos e diz que o serviço usa o idioma mais adequado dessa lista. Três aqui conta candidatos para seleção; não é uma promessa de que os três aparecerão corretamente em uma única transcrição. A página do Google também limita esse recurso a modelos e regiões específicos.
O que a documentação do modelo realmente diz
| Modelo ou configuração | Comportamento documentado | Pergunta a testar |
|---|---|---|
| Transcrição padrão do Whisper de código aberto | Detecta um idioma a partir dos primeiros 30 segundos, no máximo, quando nenhum é informado, e então usa esse idioma para a decodificação. | O que acontece quando o idioma muda mais adiante no arquivo? |
| Reconhecimento automático do Google Cloud Speech-to-Text V2 | Seleciona o idioma mais adequado entre até três candidatos. Isso é seleção de idioma, não uma garantia publicada de code switching. | A saída mantém ambos os idiomas nos pontos de alternância? |
| Configuração de code switching da AssemblyAI | Sua configuração manual documentada de código de idioma aceita até dois códigos, um deles inglês; sua configuração automática de code switching pode detectar até dois. | O modelo e o par de idiomas escolhidos estão cobertos por essa configuração? |
| AssemblyAI Universal-3.5 Pro | Documenta code switching nativo em 18 idiomas suportados. Dezoito descreve o conjunto suportado, não um máximo por arquivo declarado. | Todos os idiomas do seu clipe estão entre esses 18, e quão precisas são as alternâncias? |
| Deepgram Nova-2 multilíngue | O modo multilíngue documentado suporta code switching entre inglês e espanhol. | Sua gravação usa exatamente esse par e esse modo? |
| Deepgram Nova-3 multilíngue | A Deepgram documenta code switching em um conjunto de dez idiomas com language=multi. Dez é o conjunto de idiomas do modelo, não um máximo publicado de idiomas por gravação. | O modo configurado preserva alternâncias curtas nos seus idiomas-alvo? |
Essas linhas descrevem tipos diferentes de limites. Não ordene seus números como se medíssem a mesma coisa. Em particular, a contagem de candidatos do Google e os conjuntos suportados do Universal-3.5 Pro e do Nova-3 não são limites comparáveis por arquivo. A API de transcrição de arquivos hospedada da OpenAI também é um produto separado do código Whisper de código aberto vinculado acima; teste o modelo atual dela de forma independente.
Como testar uma gravação com vários idiomas
- Faça um clipe de referência. Grave dois minutos com falantes reais. Inclua cada idioma-alvo, várias alternâncias, uma alternância no meio da frase e nomes que importam para sua equipe.
- Mantenha uma transcrição de referência manual. Marque cada mudança de idioma e cada nome próprio para ver exatamente o que foi perdido.
- Use as configurações exatas de produção. Fixe a versão do modelo e ative o modo multilíngue ou de code switching documentado pelo fornecedor. Salve as configurações da solicitação junto com o resultado.
- Leia cada ponto de alternância. Procure palavras omitidas, palavras reescritas no script errado, tradução quando você pediu transcrição e rótulos de idioma que ficam atrás da fala.
- Repita com o seu par mais difícil. Adicione ruído ou um terceiro idioma somente se essas condições ocorrerem nas suas gravações reais. Compare os resultados com a mesma referência e organize revisão humana para usos com consequências.
Uma métrica de precisão do fornecedor pode usar idiomas, falantes e regras de pontuação diferentes. Este procedimento mostra se a saída funciona para o seu áudio. Se o seu fluxo de trabalho também precisar de tradução, nosso guia de ferramentas de tradução cobre essa etapa separada.
Onde o MirrorCaption se encaixa
O caminho ao vivo do MirrorCaption foi criado para legendas e tradução durante uma conversa. O cliente atual envia dicas de idioma com a identificação de idioma ativada; a tradução em um sentido pode aceitar idiomas de origem detectados e suportados pelo serviço configurado. A detecção automática não adiciona suporte a um idioma não suportado. Essa configuração não é uma garantia medida para cada par de idiomas ou para cada alternância no meio da frase. Teste uma sessão ao vivo com seus falantes reais antes de depender dela. Nosso guia de call center multilíngue cobre o fluxo de trabalho ao vivo.
A interface atual de envio de arquivos envia uma dica de idioma de origem selecionada. Não infira da configuração ao vivo que gravações enviadas receberão o mesmo tratamento multilíngue. Para uma gravação finalizada com vários idiomas, teste o resultado do envio e use um serviço especializado de code switching ou revisão humana se ele perder trechos importantes.
Toda nova conta inclui uma hora grátis, uma única vez, sem cartão de crédito. O plano Anual atual custa €54.99 por 110 horas por ano; verifique os preços atuais antes de comprar.
Perguntas frequentes
Uma lista de 99 idiomas significa que uma gravação pode conter todos os 99?
Não. Uma lista de idiomas suportados informa quais idiomas um modelo pode reconhecer. Verifique a documentação separada para detecção automática e code switching dentro de uma única gravação.
Selecionar três idiomas candidatos é o mesmo que code switching?
Não. A documentação do Google Cloud Speech-to-Text diz que o reconhecimento automático seleciona o idioma mais adequado entre até três candidatos. Essa configuração não promete uma transcrição com vários idiomas.
O Whisper de código aberto pode seguir uma alternância de idioma automaticamente?
O caminho padrão de transcrição do Whisper detecta um idioma usando até os primeiros 30 segundos e usa essa escolha para a decodificação. Não presuma alternância automática no meio do arquivo; teste um clipe com vários idiomas ou segmente-o deliberadamente.
O MirrorCaption pode lidar com uma gravação multilíngue?
As sessões ao vivo do MirrorCaption usam identificação de idioma e dicas de idioma. A interface atual de envio de arquivos envia uma dica de idioma de origem selecionada. Teste uma gravação representativa antes de confiar na saída multilíngue do envio.
Faça o modelo provar a afirmação
Escolha um modelo para o par de idiomas e o fluxo de trabalho que você realmente tem. Verifique a documentação de code switching, salve as configurações exatas e teste um clipe contendo pontos reais de alternância. Uma longa lista de idiomas é um filtro inicial; a própria transcrição é a evidência de compra.
Experimente uma sessão multilíngue ao vivo
Use seus próprios falantes e seu próprio par de idiomas. Sua primeira hora é grátis.
Comece grátis