เอ็นจินการพูดอาจรู้จำภาษาได้หลายสิบภาษาในไฟล์บันทึกแยกกัน แต่ยังคงมีปัญหาเมื่อผู้พูดคนหนึ่งสลับภาษาในกลางประโยค สำหรับการถอดเสียงเสียงหลายภาษา ให้ถามสามคำถามที่แตกต่างกัน: โมเดลรู้จำภาษาใดได้บ้าง, มันเลือกภาษาอย่างไร, และมันคงการสลับภาษาไว้ภายในไฟล์บันทึกเดียวได้หรือไม่? การระบุจำนวนภาษาที่รองรับเพียงตัวเลขเดียวไม่สามารถตอบได้ครบทั้งสามข้อ
คู่มือนี้เปรียบเทียบพฤติกรรมที่มีการระบุไว้สำหรับการตั้งค่าโมเดลเฉพาะ และให้การทดสอบสั้นๆ ที่เผยให้เห็นการสลับภาษาที่พลาดไป สำหรับการเปรียบเทียบเครื่องมือแบบสดและแบบบันทึกเพิ่มเติม ดูคู่มือการถอดเสียงหลายภาษาของเรา
- ขอบเขตภาษาคือชุดภาษาที่โมเดลรองรับ ไม่ใช่การรับประกันว่าทุกชุดค่าผสมจะใช้งานได้ในไฟล์เดียว
- การตรวจจับภาษาอัตโนมัติสามารถเลือกภาษาที่เหมาะสมที่สุดจากตัวเลือกที่มี โดยไม่ต้องถอดเสียงทุกภาษาที่พูด
- Code switching หมายถึงการคงการเปลี่ยนภาษาไว้ในทรานสคริปต์ รวมถึงการเปลี่ยนภายในประโยค ตรวจสอบโมเดลและการตั้งค่าที่แน่นอน
- วัดผลลัพธ์ที่แต่ละจุดสลับภาษาบนการบันทึกของคุณเอง; เกณฑ์มาตรฐานของผู้ให้บริการไม่สามารถแทนการตรวจสอบนี้ได้
ข้อกำหนดสามอย่างที่ควรถามหา
Coverage ตอบว่าโมเดลรองรับภาษาใดภาษาหนึ่งหรือไม่ Detection ตอบว่ามันเลือกจากภาษาที่เป็นไปได้อย่างไรสำหรับคำขอหนึ่งๆ Code switching ตอบว่ามันติดตามการเปลี่ยนแปลงภายในคำขอนั้นได้หรือไม่ พฤติกรรมเหล่านี้แยกจากกัน และเวอร์ชันของโมเดลสำคัญพอๆ กับชื่อผู้ให้บริการ
ตัวอย่างเช่น คู่มือการรู้จำภาษาอัตโนมัติของ Google Cloud Speech-to-Text อนุญาตให้มีภาษาตัวเลือกได้สูงสุดสามภาษา และระบุว่าบริการจะใช้ภาษาที่เหมาะสมที่สุดจากรายการนั้น ตรงนี้คำว่า สาม หมายถึง ตัวเลือกสำหรับการคัดเลือก; ไม่ใช่คำมั่นว่าทั้งสามภาษาจะปรากฏอย่างถูกต้องในทรานสคริปต์เดียว หน้าเว็บของ Google ยังจำกัดฟีเจอร์นี้ไว้เฉพาะโมเดลและภูมิภาคบางรายการด้วย
เอกสารของโมเดลจริงๆ ระบุว่าอย่างไร
| โมเดลหรือการตั้งค่า | พฤติกรรมที่มีการระบุไว้ | คำถามที่ต้องทดสอบ |
|---|---|---|
| การถอดเสียงค่าเริ่มต้นของ Whisper แบบโอเพนซอร์ส | ตรวจจับภาษาจากช่วงสูงสุด 30 วินาทีแรกเมื่อไม่มีการระบุภาษา จากนั้นใช้ภาษานั้นในการถอดรหัส | จะเกิดอะไรขึ้นเมื่อภาษามีการเปลี่ยนในช่วงหลังของไฟล์? |
| การรู้จำอัตโนมัติของ Google Cloud Speech-to-Text V2 | เลือกภาษาที่เหมาะสมที่สุดจากตัวเลือกได้สูงสุดสามภาษา นี่คือการเลือกภาษา ไม่ใช่การรับประกัน code switching ที่เผยแพร่ไว้ | ผลลัพธ์คงทั้งสองภาษาไว้ที่จุดสลับภาษาหรือไม่? |
| การตั้งค่า code-switching ของ AssemblyAI | การตั้งค่ารหัสภาษาแบบแมนนวลที่มีการระบุไว้รองรับรหัสได้สูงสุดสองรหัส โดยหนึ่งในนั้นเป็นภาษาอังกฤษ; การตั้งค่า code-switching แบบอัตโนมัติสามารถตรวจจับได้สูงสุดสองภาษา | โมเดลและคู่ภาษาที่คุณเลือกครอบคลุมโดยการตั้งค่านี้หรือไม่? |
| AssemblyAI Universal-3.5 Pro | ระบุ code switching แบบเนทีฟครอบคลุม 18 ภาษาที่รองรับ สิบแปดภาษาอธิบายชุดภาษาที่รองรับ ไม่ใช่ค่าสูงสุดต่อไฟล์ที่ระบุไว้ | ทุกภาษาในคลิปของคุณอยู่ใน 18 ภาษานั้นหรือไม่ และจุดสลับภาษามีความแม่นยำแค่ไหน? |
| Deepgram Nova-2 multilingual | โหมดหลายภาษาที่มีการระบุไว้รองรับ code switching ระหว่างภาษาอังกฤษและภาษาสเปน | การบันทึกของคุณใช้คู่ภาษาและโหมดนี้แบบตรงตามที่ระบุหรือไม่? |
| Deepgram Nova-3 multilingual | Deepgram ระบุ code switching ครอบคลุมชุดภาษาสิบภาษาด้วย language=multi สิบภาษาเป็นชุดภาษาของโมเดล ไม่ใช่ค่าสูงสุดของจำนวนภาษาต่อการบันทึกที่เผยแพร่ไว้ | โหมดที่ตั้งค่าไว้คงการสลับสั้นๆ ในภาษาที่คุณต้องการไว้ได้หรือไม่? |
แถวเหล่านี้อธิบายข้อจำกัดคนละแบบ อย่านำตัวเลขของพวกมันมาเรียงราวกับว่ามันวัดสิ่งเดียวกัน โดยเฉพาะอย่างยิ่ง จำนวนตัวเลือกของ Google และชุดภาษาที่รองรับสำหรับ Universal-3.5 Pro และ Nova-3 ไม่ใช่เพดานต่อไฟล์ที่เปรียบเทียบกันได้ API ถอดเสียงไฟล์แบบโฮสต์ของ OpenAI ก็เป็นผลิตภัณฑ์แยกจากโค้ด Whisper แบบโอเพนซอร์สที่ลิงก์ไว้ข้างต้นด้วย; ให้ทดสอบโมเดลปัจจุบันของมันแยกต่างหาก
วิธีทดสอบการบันทึกที่มีหลายภาษา
- สร้างคลิปอ้างอิง บันทึกสองนาทีด้วยผู้พูดจริง ใส่แต่ละภาษาที่ต้องการ หลายจุดสลับภาษา การสลับกลางประโยค และชื่อที่สำคัญต่อทีมของคุณ
- เก็บทรานสคริปต์อ้างอิงแบบทำมือ ทำเครื่องหมายการเปลี่ยนภาษาและคำนามเฉพาะแต่ละจุด เพื่อให้เห็นได้ชัดว่าอะไรถูกพลาดไป
- ใช้การตั้งค่าการใช้งานจริงแบบตรงตามต้นฉบับ ล็อกเวอร์ชันของโมเดลและเปิดโหมดหลายภาษาหรือ code-switching ที่มีการระบุไว้ของผู้ให้บริการ บันทึกการตั้งค่าคำขอพร้อมผลลัพธ์
- อ่านทุกจุดสลับภาษา มองหาคำที่หายไป คำที่ถูกเขียนใหม่เป็นสคริปต์ผิด การแปลเมื่อคุณต้องการการถอดเสียง และป้ายภาษาที่ตามหลังคำพูด
- ทำซ้ำด้วยคู่ภาษาที่ยากที่สุดของคุณ เพิ่มเสียงรบกวนหรือภาษาที่สามก็ต่อเมื่อเงื่อนไขเหล่านั้นเกิดขึ้นในการบันทึกจริงของคุณ เปรียบเทียบผลลัพธ์กับข้อมูลอ้างอิงชุดเดิม และจัดให้มีการตรวจทานโดยมนุษย์สำหรับการใช้งานที่มีผลกระทบสำคัญ
ตัวเลขความแม่นยำของผู้ให้บริการอาจใช้ภาษา ผู้พูด และกฎการให้คะแนนที่ต่างกัน ขั้นตอนนี้บอกคุณได้ว่าผลลัพธ์ของมันใช้งานได้กับเสียงของคุณหรือไม่ หากเวิร์กโฟลว์ของคุณต้องการการแปลด้วย คู่มือเครื่องมือแปลภาษาของเราครอบคลุมขั้นตอนแยกต่างหากนั้น
MirrorCaption เหมาะกับตรงไหน
เส้นทางแบบสดของ MirrorCaption ถูกสร้างขึ้นสำหรับคำบรรยายและการแปลระหว่างการสนทนา ไคลเอนต์ปัจจุบันส่งคำใบ้ภาษาโดยเปิดใช้การระบุภาษา; การแปลทางเดียวสามารถรับภาษาต้นทางที่ตรวจพบซึ่งรองรับโดยบริการที่ตั้งค่าไว้ได้ การตรวจจับอัตโนมัติไม่ได้เพิ่มการรองรับให้กับภาษาที่ไม่รองรับ การตั้งค่านั้นไม่ใช่การรับประกันที่วัดผลได้สำหรับทุกคู่ภาษา หรือทุกการสลับกลางประโยค ทดสอบเซสชันสดกับผู้พูดจริงของคุณก่อนที่จะพึ่งพามัน คู่มือคอลเซ็นเตอร์หลายภาษาของเราครอบคลุมเวิร์กโฟลว์แบบสด
UI อัปโหลดไฟล์ปัจจุบันส่งคำใบ้ภาษาต้นทางที่เลือกไว้เพียงหนึ่งภาษา อย่าสรุปจากการตั้งค่าแบบสดว่าไฟล์บันทึกที่อัปโหลดจะได้รับการจัดการหลายภาษาแบบเดียวกัน สำหรับไฟล์บันทึกที่เสร็จสมบูรณ์ซึ่งมีหลายภาษา ให้ทดสอบผลลัพธ์จากการอัปโหลด และใช้บริการ code-switching เฉพาะทางหรือการตรวจทานโดยมนุษย์หากมันพลาดช่วงสำคัญ
บัญชีใหม่ทุกบัญชีรวมเวลาใช้ฟรีหนึ่งชั่วโมงหนึ่งครั้ง โดยไม่ต้องใช้บัตรเครดิต แผน Annual ปัจจุบันคือ €54.99 สำหรับ 110 ชั่วโมงต่อปี; ตรวจสอบราคาปัจจุบันก่อนซื้อ
คำถามที่พบบ่อย
รายการ 99 ภาษาหมายความว่าไฟล์บันทึกหนึ่งไฟล์สามารถมีครบทั้ง 99 ภาษาได้หรือไม่?
ไม่ รายการภาษาที่รองรับบอกคุณว่าโมเดลสามารถรู้จำภาษาใดได้บ้าง ตรวจสอบเอกสารแยกต่างหากสำหรับการตรวจจับอัตโนมัติและ code switching ภายในไฟล์บันทึกเดียว
การเลือกภาษาตัวเลือกสามภาษาเหมือนกับ code switching หรือไม่?
ไม่ เอกสารของ Google Cloud Speech-to-Text ระบุว่าการรู้จำอัตโนมัติของมันเลือกภาษาที่เหมาะสมที่สุดจากตัวเลือกได้สูงสุดสามภาษา การตั้งค่านั้นไม่ได้สัญญาว่าจะได้ทรานสคริปต์หลายภาษา
Whisper แบบโอเพนซอร์สสามารถติดตามการสลับภาษาโดยอัตโนมัติได้หรือไม่?
เส้นทางการถอดเสียง Whisper ค่าเริ่มต้นตรวจจับภาษาจากช่วงสูงสุด 30 วินาทีแรก และใช้ตัวเลือกนั้นในการถอดรหัส อย่าคิดว่าจะสลับภาษาอัตโนมัติกลางไฟล์; ให้ทดสอบคลิปหลายภาษาหรือแบ่งเป็นช่วงอย่างตั้งใจ
MirrorCaption จัดการการบันทึกหลายภาษาได้หรือไม่?
เซสชันสดของ MirrorCaption ใช้การระบุภาษาและคำใบ้ภาษา UI อัปโหลดไฟล์ปัจจุบันส่งคำใบ้ภาษาต้นทางที่เลือกไว้เพียงหนึ่งภาษา ทดสอบการบันทึกที่เป็นตัวแทนก่อนพึ่งพาผลลัพธ์การอัปโหลดแบบหลายภาษา
ให้โมเดลพิสูจน์คำกล่าวอ้าง
เลือกโมเดลให้ตรงกับคู่ภาษาและเวิร์กโฟลว์ที่คุณมีจริง ตรวจสอบเอกสาร code-switching ของมัน บันทึกการตั้งค่าที่แน่นอน และทดสอบคลิปที่มีจุดสลับภาษาจริง รายการภาษาที่ยาวเป็นเพียงตัวกรองเริ่มต้น; ตัวทรานสคริปต์เองคือหลักฐานในการตัดสินใจซื้อ