Японская транскрипция превращает речь в японский текст. Если вы сравниваете инструменты для преобразования речи в текст, начните с метода оценки и типа аудио, использованного в тесте. Низкий процент ошибок на прочитанных предложениях не говорит о том, как инструмент справится с вашей встречей, интервью, именами собственными или региональной речью.

Японская транскрипция отличается от перевода с японского на английский и от романизации японского в латинские буквы. Руководство Японии по романизации 2025 года касается последнего; оно не меняет точность распознавания речи. Это руководство охватывает преобразование японского аудио в японский текст и практический способ оценить его.

Ключевые выводы

Почему японские бенчмарки используют CER

В письменном японском обычные слова не разделяются пробелами. Чтобы вычислить WER, оценщик сначала выбирает границы слов и в эталоне, и в расшифровке; две разные сегментации могут создать расхождения, даже если читатель понимает одно и то же предложение. CER сравнивает символы и избегает этого шага сегментации. Статья Karita, Sproat и Ishikawa приводит оба показателя и объясняет это ограничение.

CER по-прежнему является оценкой расстояния редактирования относительно эталонного текста. 5% CER и 5% WER имеют разные знаменатели. Ни один из них не является общим обещанием «95% точности» для вашего аудио. Когда поставщик публикует японский процент, спросите, какой именно показатель, нормализация, версия модели и тестовый набор его дали. Например, ElevenLabs публикует японский WER, а многоязычные таблицы AssemblyAI помечают японский как CER; эти цифры нельзя напрямую сравнивать.

Что меняют альтернативные написания в оценке

В японском для некоторых слов допустимо более одного традиционного написания. Фиксированный эталон может пометить правдоподобный выбор кандзи или каны как ошибку. Исследование 2023 года построило решётки правдоподобных вариантов написания эталонных расшифровок и сравнило один и тот же распознаватель с исходными и расширенными эталонами. В трёх исследовательских областях CER снизился на 2,4–3,1 процентного пункта; на наборе для голосового поиска снижение составило 25,16% относительно исходного уровня ошибок. Сам распознаватель не стал лучше.

Три обученных оценщика рассмотрели 913 предложенных вариантов написания из домена YouTube в исследовании. Они сочли 95,4% правдоподобными, а 16% — «отличными» или лучше исходной формулировки. Это оценки предложенных вариантов, а не доказательство того, что 95,4% ошибок движка безвредны. В статье также отмечается, что стиль и регистр могут влиять на то, какое написание подходит для конкретного контекста. Для транскрипта, который вы будете публиковать, сами проверьте имена, технические термины и предполагаемый стиль письма.

Как сравнивать движки на одной и той же задаче

Бенчмарк поставщика полезен, когда он раскрывает тестовое аудио, метод оценки, версию модели и дату запуска. Текущий бенчмарк AssemblyAI, например, разделяет многоязычный FLEURS и Common Voice и объясняет свою нормализацию. Его результаты и список моделей меняются, поэтому скопированный рейтинг быстро устаревает; кроме того, это и оператор бенчмарка, и его участник. Используйте опубликованные таблицы, чтобы выбрать кандидатов, а затем протестируйте их на тех же фрагментах из вашей собственной рабочей нагрузки.

  1. Выберите короткий образец с согласия, с тем микрофоном, фоновым шумом, говорящими и диалектом, которые вы ожидаете в продакшене.
  2. Подготовьте эталонную расшифровку, включая те варианты написания, которые вам действительно нужны для имён и терминов вашей области.
  3. Запустите каждого кандидата на одном и том же файле и зафиксируйте его модель, настройки, формат вывода и время обработки.
  4. Проверяйте слова, меняющие смысл, и пропуски отдельно от допустимых вариантов каны или кандзи. Держите исходное аудио под рукой для спорных фрагментов.

Наше сравнение инструментов транскрипции охватывает более широкое межинструментальное тестирование. Это руководство по японскому языку сосредоточено на том, почему единица оценки и политика написания важны ещё до того, как вы посмотрите на рейтинг.

Диалекты и записи на смешанных языках

В исследовании Имаидзуми и коллег 2022 года исследовательская модель, обученная только на стандартном японском, показала 52,5% CER на их диалектном тесте и 14,3% на стандартном тесте. Обучение этой обычной модели на обоих типах речи снизило CER для диалектов до 8,0%, тогда как CER для стандартной речи составил 14,9%. Авторы также тестировали методы с учётом диалектов, включая один, который улучшил оба набора. Эти цифры описывают их наборы данных и системы; они не измеряют MirrorCaption, конкретно Kansai-ben или любой другой региональный вариант.

Если запись содержит региональную речь, включите её образец в оценку вместо того, чтобы полагаться на общее обозначение «поддерживается японский». Для записи, где чередуются японский и английский, проверьте точки переключения и посмотрите, на каком языке написан каждый фрагмент. Подсказка о языке или один выбранный исходный язык не доказывают надёжное переключение кодов. См. наше руководство по транскрипции многоязычного аудио, чтобы понять разницу между поддержкой языка и автоматическим определением языка.

Что MirrorCaption предоставляет для японского

Японский доступен как выбираемый язык для живой транскрипции и транскрипции файлов в MirrorCaption. В живых сессиях текст передаётся по мере речи; транскрипция файла возвращает асинхронный результат. Дополнительный перевод — это отдельный шаг от японского транскрипта. См. живую и файловую транскрипцию, чтобы выбрать рабочий процесс.

Новые аккаунты, соответствующие условиям, могут попробовать бесплатный лимит транскрипции. Текущие платные варианты и включённые часы указаны на странице тарифов; изучите их перед покупкой, поскольку детали плана могут измениться.

Протестируйте японскую транскрипцию на своём аудио

Попробуйте репрезентативный фрагмент, затем проверьте имена, диалектные отрывки и формат экспорта.

Начать бесплатно

Часто задаваемые вопросы

Почему бенчмарки speech-to-text для японского используют CER?

В японском обычно нет пробелов между словами, поэтому для WER нужно выбрать сегментацию слов, которая может повлиять на оценку. CER сравнивает символы без предварительной сегментации слов. Оба показателя всё равно зависят от эталона и правил нормализации.

Означает ли результат исследования 25,16%, что четверть ошибок транскрипции безвредна?

Нет. В одном наборе для голосового поиска исследование 2023 года снизило CER на 25,16% относительно исходного результата, разрешив правдоподобные альтернативные написания. Этот результат нельзя переносить как долю ошибок в другой модели, наборе данных или записи.

Может ли японская транскрипция обрабатывать региональные диалекты?

Это зависит от речи и модели. Исследование 2022 года показало большие различия между обучением только на стандартном японском и обучением с включением диалектов на собственных наборах данных. Проверьте свой реальный диалект и просмотрите транскрипт; у MirrorCaption нет селектора диалекта и опубликованного бенчмарка по диалектам.

Вернёт ли MirrorCaption кандзи, хирагану или ромадзи?

Он возвращает японский текст без селектора письменности. Ожидайте обычное смешанное японское письмо и проверяйте имена и специализированные термины. У MirrorCaption нет настройки вывода фуриганы или ромадзи.

Могу ли я экспортировать японские субтитры как SRT или VTT?

MirrorCaption экспортирует текст транскрипта и JSON, но в настоящее время не экспортирует синхронизированные SRT или VTT. Используйте редактор субтитров, если вам нужны синхронизированные подписи для готового видео.

Что делать, если моя запись переключается между японским и английским?

Проверьте точки переключения на репрезентативном файле и просмотрите каждый языковой сегмент. Выбор японского как подсказки языка файла не гарантирует точное переключение кодов.