การถอดเสียงภาษาญี่ปุ่นจะแปลงคำพูดเป็นข้อความภาษาญี่ปุ่น หากคุณกำลังเปรียบเทียบเครื่องมือแปลงเสียงเป็นข้อความ ให้เริ่มจากวิธีให้คะแนนและประเภทของเสียงที่ใช้ในการทดสอบ เปอร์เซ็นต์ข้อผิดพลาดต่ำจากประโยคที่อ่านออกเสียงไม่ได้บอกว่าเครื่องมือนั้นจะรับมือกับการประชุม การสัมภาษณ์ คำนามเฉพาะ หรือภาษาถิ่นได้อย่างไร
การถอดเสียงภาษาญี่ปุ่นแตกต่างจาก การแปลภาษาญี่ปุ่นเป็นภาษาอังกฤษ และการถอดอักษรภาษาญี่ปุ่นเป็นตัวอักษรละติน แนวทางการถอดอักษรปี 2025 ของญี่ปุ่นเกี่ยวข้องกับอย่างหลัง ไม่ได้เปลี่ยนความแม่นยำของการรู้จำเสียง คู่มือนี้ครอบคลุมการแปลงเสียงภาษาญี่ปุ่นเป็นข้อความภาษาญี่ปุ่น และวิธีประเมินอย่างเป็นรูปธรรม
ประเด็นสำคัญ
- การรู้จำเสียงภาษาญี่ปุ่นมักให้คะแนนด้วยอัตราความผิดพลาดระดับอักขระ (CER) อัตราความผิดพลาดระดับคำ (WER) ต้องใช้ตัวแบ่งคำภาษาญี่ปุ่น ดังนั้นควรเปรียบเทียบแบบเดียวกันกับแบบเดียวกัน
- งานวิจัยการรู้จำเสียงปี 2023 ลด CER ลง 2.4 ถึง 3.1 จุดเปอร์เซ็นต์เมื่ออนุญาตให้มีการสะกดทางเลือกที่เป็นไปได้ ผลลัพธ์ 25.16% ของงานนั้นเป็นการลดข้อผิดพลาดแบบสัมพัทธ์ในชุดค้นหาด้วยเสียงชุดหนึ่ง ไม่ใช่สัดส่วนของข้อผิดพลาดทั้งหมดที่ถือว่ายอมรับได้
- ผลลัพธ์ด้านภาษาถิ่นจาก ระบบวิจัยหลายภาษาถิ่นปี 2022 แสดงให้เห็นว่าทำไมคุณควรทดสอบภาษาถิ่นที่คุณต้องการจริง ๆ ผลลัพธ์เหล่านั้นไม่ใช่การคาดการณ์สำหรับเครื่องมือเชิงพาณิชย์
- MirrorCaption มีการถอดเสียงภาษาญี่ปุ่น แต่ไม่ได้เผยแพร่ CER สำหรับภาษาญี่ปุ่น และไม่ส่งออกไฟล์ SRT หรือ VTT ที่มีเวลา
เหตุใดเกณฑ์มาตรฐานภาษาญี่ปุ่นจึงใช้ CER
ภาษาญี่ปุ่นที่เขียนไม่มีการเว้นวรรคระหว่างคำทั่วไป หากจะคำนวณ WER ผู้ประเมินต้องกำหนดขอบเขตคำทั้งในข้อความอ้างอิงและในข้อความถอดเสียงก่อน การแบ่งคำที่ต่างกันสองแบบอาจทำให้เกิดความไม่ตรงกันได้ แม้ผู้อ่านจะเข้าใจประโยคเดียวกัน CER เปรียบเทียบอักขระและหลีกเลี่ยงขั้นตอนการแบ่งคำนั้น บทความของ Karita, Sproat และ Ishikawa รายงานทั้งสองมาตรการและอธิบายข้อจำกัดนี้
CER ก็ยังเป็นคะแนนระยะห่างการแก้ไขเทียบกับข้อความอ้างอิงอยู่ดี CER 5% และ WER 5% มีตัวหารต่างกัน ทั้งสองอย่างไม่ใช่การรับประกันแบบทั่วไปว่าเสียงของคุณจะ “แม่นยำ 95%” เมื่อผู้ให้บริการเผยแพร่เปอร์เซ็นต์สำหรับภาษาญี่ปุ่น ให้ถามว่าใช้เมตริกใด การทำให้เป็นมาตรฐาน เวอร์ชันโมเดล และชุดทดสอบใดเป็นตัวสร้างผลลัพธ์นั้น ตัวอย่างเช่น ElevenLabs เผยแพร่ WER สำหรับภาษาญี่ปุ่น ขณะที่ ตารางหลายภาษาของ AssemblyAI ระบุภาษาญี่ปุ่นเป็น CER ตัวเลขเหล่านั้นจึงเปรียบเทียบกันโดยตรงไม่ได้
การสะกดทางเลือกเปลี่ยนคะแนนอย่างไร
ภาษาญี่ปุ่นอนุญาตให้มีการสะกดตามธรรมเนียมได้มากกว่าหนึ่งแบบสำหรับบางคำ ข้อความอ้างอิงแบบตายตัวอาจนับตัวเลือกคันจิหรือคานะที่เป็นไปได้ว่าเป็นข้อผิดพลาด งานวิจัยปี 2023 สร้างโครงข่ายของการสะกดใหม่ที่เป็นไปได้จากทรานสคริปต์อ้างอิง และเปรียบเทียบผู้รู้จำ ตัวเดิม กับทั้งข้อความอ้างอิงต้นฉบับและข้อความอ้างอิงที่ขยายเพิ่ม ในสามสาขาวิจัย CER ลดลง 2.4 ถึง 3.1 จุดเปอร์เซ็นต์; ในชุดค้นหาด้วยเสียงของงานนั้น การลดลงคือ 25.16% เมื่อเทียบกับอัตราความผิดพลาดเดิม ตัวผู้รู้จำเองไม่ได้ดีขึ้น
ผู้ประเมินที่ผ่านการฝึกสามคนประเมินรูปแบบการสะกดที่เสนอ 913 แบบจากโดเมน YouTube ของงานวิจัยนั้น พวกเขาตัดสินว่า 95.4% มีความเป็นไปได้ และ 16% “ยอดเยี่ยม” หรือดีกว่าถ้อยคำเดิม นั่นคือการให้คะแนนของรูปแบบที่เสนอ ไม่ใช่หลักฐานว่า 95.4% ของข้อผิดพลาดจากเอนจินนั้นไม่มีผลเสีย บทความยังระบุด้วยว่าสไตล์และระดับภาษาสามารถส่งผลต่อการสะกดที่เหมาะกับบริบทหนึ่ง ๆ ได้ สำหรับทรานสคริปต์ที่คุณจะเผยแพร่ ให้ตรวจสอบชื่อเฉพาะ คำศัพท์เทคนิค และรูปแบบการเขียนที่ต้องการด้วยตัวคุณเอง
วิธีเปรียบเทียบเอนจินในงานเดียวกัน
เกณฑ์มาตรฐานของผู้ให้บริการมีประโยชน์เมื่อเปิดเผยเสียงทดสอบ วิธีให้คะแนน เวอร์ชันโมเดล และวันที่รัน เกณฑ์มาตรฐานปัจจุบันของ AssemblyAI เช่น แยก FLEURS หลายภาษาออกจาก Common Voice และอธิบายการทำให้เป็นมาตรฐาน ผลลัพธ์และรายการโมเดลของมันเปลี่ยนแปลงได้ ดังนั้นการคัดลอกอันดับมาใช้จะล้าสมัยอย่างรวดเร็ว อีกทั้งยังเป็นทั้งผู้ดำเนินการเกณฑ์มาตรฐานและผู้เข้าร่วมด้วย ใช้ตารางที่เผยแพร่เพื่อคัดเลือกตัวเลือก แล้วทดสอบกับคลิปชุดเดียวกันจากงานของคุณเอง
- เลือกตัวอย่างสั้น ๆ ที่ได้รับความยินยอม โดยมีไมโครโฟน เสียงรบกวนในห้อง ผู้พูด และภาษาถิ่นตามที่คุณคาดว่าจะใช้จริงในการผลิต
- เขียนทรานสคริปต์อ้างอิง รวมถึงการสะกดที่คุณต้องการจริงสำหรับชื่อและคำเฉพาะทาง
- รันแต่ละตัวเลือกกับไฟล์เดียวกัน และบันทึกโมเดล การตั้งค่า รูปแบบผลลัพธ์ และเวลาในการประมวลผล
- ตรวจทานคำที่เปลี่ยนความหมายและการตกหล่นแยกจากรูปแบบคานะหรือคันจิที่ยอมรับได้ เก็บเสียงต้นฉบับไว้สำหรับช่วงที่มีข้อโต้แย้ง
การเปรียบเทียบเครื่องมือถอดเสียงของเราครอบคลุมการทดสอบข้ามเครื่องมือในภาพรวมที่กว้างกว่า คู่มือภาษาญี่ปุ่นนี้มุ่งเน้นว่าหน่วยการให้คะแนนและนโยบายการสะกดมีความสำคัญอย่างไรก่อนที่คุณจะอ่านอันดับใด ๆ
ภาษาถิ่นและการบันทึกที่มีหลายภาษา
ใน งานวิจัยปี 2022 โดย Imaizumi และคณะ โมเดลวิจัยที่ฝึกด้วยภาษาญี่ปุ่นมาตรฐานเท่านั้นทำได้ 52.5% CER ในชุดทดสอบภาษาถิ่นของพวกเขา และ 14.3% ในชุดทดสอบมาตรฐาน การฝึกโมเดลแบบเดิมนั้นด้วยเสียงทั้งสองแบบช่วยลด CER ของภาษาถิ่นลงเหลือ 8.0% ขณะที่ CER ของมาตรฐานขยับเป็น 14.9% ผู้เขียนยังทดสอบวิธีที่รับรู้ภาษาถิ่นด้วย รวมถึงวิธีหนึ่งที่ปรับปรุงทั้งสองชุด ตัวเลขเหล่านี้อธิบายชุดข้อมูลและระบบของพวกเขา ไม่ได้วัด MirrorCaption, คันไซเบ็นโดยเฉพาะ หรือทุกภาษาถิ่นในภูมิภาค
หากการบันทึกมีภาษาถิ่น ให้สุ่มตัวอย่างภาษาถิ่นนั้นในการประเมินของคุณแทนที่จะพึ่งป้ายกำกับทั่วไปว่า “รองรับภาษาญี่ปุ่น” สำหรับการบันทึกที่สลับระหว่างภาษาญี่ปุ่นและภาษาอังกฤษ ให้ทดสอบจุดที่สลับภาษาและตรวจดูว่าแต่ละช่วงถูกเขียนเป็นภาษาใด คำใบ้ภาษา หรือการเลือกภาษาต้นทางเพียงภาษาเดียว ไม่ใช่หลักฐานว่าการสลับรหัสภาษาจะทำงานได้อย่างน่าเชื่อถือ ดูคู่มือการถอดเสียงเสียงหลายภาษาของเราเพื่อดูความแตกต่างระหว่างการรองรับภาษาและการตรวจจับภาษาอัตโนมัติ
MirrorCaption มีอะไรให้สำหรับภาษาญี่ปุ่น
ภาษาญี่ปุ่นเป็นภาษาที่เลือกได้สำหรับการถอดเสียงแบบสดและการถอดเสียงไฟล์ของ MirrorCaption เซสชันแบบสดจะแสดงข้อความแบบสตรีมขณะเสียงกำลังดำเนินอยู่ ส่วนการถอดเสียงไฟล์จะให้ผลลัพธ์แบบอะซิงโครนัส การแปลเพิ่มเติมเป็นขั้นตอนแยกจากทรานสคริปต์ภาษาญี่ปุ่น ดูการถอดเสียงแบบสดเทียบกับแบบไฟล์เพื่อเลือกเวิร์กโฟลว์
- ความแม่นยำที่เผยแพร่: เรายังไม่ได้เผยแพร่เกณฑ์ CER สำหรับภาษาญี่ปุ่น ทดสอบเสียงของคุณเองก่อนพึ่งพาผลลัพธ์
- การควบคุมภาษาถิ่นและการสะกด: ไม่มีตัวเลือกภาษาถิ่นภาษาญี่ปุ่น ฟุริงานะ โรมาจิ หรือรูปแบบตัวอักษรของผลลัพธ์ ตรวจทานคันจิ ฮิรางานะ คาตากานะ และชื่อเฉพาะที่ส่งกลับมา
- การส่งออก: ทรานสคริปต์ของเซสชันสามารถส่งออกเป็น Markdown ข้อความธรรมดา หรือ JSON ได้ ปัจจุบัน MirrorCaption ยังไม่ส่งออกไฟล์คำบรรยาย SRT หรือ VTT ที่มีเวลา
- เสียงผสม: ขั้นตอนการทำไฟล์จะส่งภาษาต้นทางที่เลือกเป็นคำใบ้ ตรวจสอบช่วงที่เป็นสองภาษาเอง อย่าคิดว่าการแบ่งภาษาในทั้งการบันทึกจะถูกต้อง
- การใช้งานทางการ: ผลลัพธ์ไม่ใช่ทรานสคริปต์ที่ได้รับการรับรองหรือให้คำสาบาน ตรวจสอบข้อกำหนดขององค์กรผู้รับก่อนยื่นเอกสารทางกฎหมายหรือเอกสารที่อยู่ภายใต้การกำกับดูแล
บัญชีใหม่ที่มีสิทธิ์สามารถลองใช้โควต้าการถอดเสียงฟรีได้ ตัวเลือกแบบชำระเงินปัจจุบันและชั่วโมงที่รวมอยู่แสดงอยู่ในหน้าราคา; โปรดตรวจสอบก่อนซื้อ เพราะรายละเอียดแพ็กเกจอาจเปลี่ยนแปลงได้
ทดสอบการถอดเสียงภาษาญี่ปุ่นกับเสียงของคุณ
ลองคลิปตัวอย่างที่เป็นตัวแทน แล้วตรวจสอบชื่อ ช่วงภาษาถิ่น และรูปแบบการส่งออก
เริ่มใช้งานฟรีคำถามที่พบบ่อย
ทำไมเกณฑ์มาตรฐาน speech-to-text ภาษาญี่ปุ่นจึงใช้ CER?
โดยปกติภาษาญี่ปุ่นไม่มีการเว้นวรรคระหว่างคำ ดังนั้น WER จึงต้องอาศัยการเลือกแบ่งคำ ซึ่งอาจส่งผลต่อคะแนน CER เปรียบเทียบอักขระโดยไม่ต้องแบ่งคำก่อน ทั้งสองอย่างยังคงขึ้นอยู่กับข้อความอ้างอิงและกฎการทำให้เป็นมาตรฐาน
ผลการวิจัย 25.16% หมายความว่าข้อผิดพลาดในการถอดเสียงหนึ่งในสี่ไม่มีผลเสียหรือไม่?
ไม่ใช่ ในชุดทดสอบค้นหาด้วยเสียงชุดหนึ่ง งานวิจัยปี 2023 ลด CER ลง 25.16% เมื่อเทียบกับคะแนนเดิม โดยอนุญาตให้มีการสะกดทางเลือกที่เป็นไปได้ ผลลัพธ์นั้นไม่สามารถนำไปใช้เป็นสัดส่วนของข้อผิดพลาดในโมเดล ชุดข้อมูล หรือการบันทึกที่ต่างออกไปได้
การถอดเสียงภาษาญี่ปุ่นรองรับภาษาถิ่นได้หรือไม่?
ขึ้นอยู่กับเสียงและโมเดล งานวิจัยปี 2022 พบความแตกต่างอย่างมากระหว่างการฝึกแบบใช้เฉพาะภาษามาตรฐานกับแบบรวมภาษาถิ่นในชุดข้อมูลของตนเอง ทดสอบภาษาถิ่นจริงของคุณและตรวจทานทรานสคริปต์; MirrorCaption ไม่มีตัวเลือกภาษาถิ่นหรือเกณฑ์มาตรฐานภาษาถิ่นที่เผยแพร่
MirrorCaption จะส่งกลับคันจิ ฮิรางานะ หรือโรมาจิหรือไม่?
ระบบจะส่งกลับข้อความภาษาญี่ปุ่นโดยไม่มีตัวเลือกสคริปต์ ควรคาดหวังการเขียนภาษาญี่ปุ่นแบบผสมตามปกติ และตรวจทานชื่อเฉพาะกับคำเฉพาะทาง MirrorCaption ไม่มีการตั้งค่าผลลัพธ์เป็นฟุริงานะหรือโรมาจิ
ฉันสามารถส่งออกคำบรรยายภาษาญี่ปุ่นเป็น SRT หรือ VTT ได้หรือไม่?
MirrorCaption ส่งออกข้อความทรานสคริปต์และ JSON แต่ปัจจุบันยังไม่ส่งออก SRT หรือ VTT ที่มีเวลา หากคุณต้องการคำบรรยายที่มีเวลาในวิดีโอที่เสร็จสมบูรณ์ ให้ใช้โปรแกรมแก้ไขคำบรรยาย
ถ้าการบันทึกของฉันสลับระหว่างภาษาญี่ปุ่นและภาษาอังกฤษล่ะ?
ทดสอบจุดที่สลับภาษาบนไฟล์ตัวอย่างที่เป็นตัวแทน และตรวจทานแต่ละช่วงภาษา การเลือกภาษาญี่ปุ่นเป็นคำใบ้ภาษาของไฟล์ไม่ได้รับประกันว่าการสลับรหัสภาษาจะถูกต้อง