AI WORLD HQ
Képzelj el egy értekezletet, ahol ketten egyszerre beszélnek, majd másnap elolvasod a jegyzeteket, és azt látod, hogy egy döntést a rossz emberhez rendeltek. Pont az ilyen apró hibákat próbálja megelőzni a beszéd szöveggé alakítása, vagyis az a szoftver, amely a felvett beszédet írott szöveggé alakítja.
Miért hibásodnak meg az átiratok?
Az ElevenLabs szerint a valós életből származó hanganyag ritkán rendezett. Az emberek egymás szavába vágnak, mondat közben tartanak szünetet, vagy beszéd közben nyelvet váltanak. A cég szerint egy átirat elején vétett hiba minden későbbi, arra épülő tartalomba bekerülhet, például az összefoglalókba, a feliratokba és az utólagos jegyzetekbe. Minél később veszed észre, annál többe kerül kijavítani.
Mi újdonság a Scribe v3-ban?
Az ElevenLabs két, eltérő feladatra készült modellt mutat be:
- A Scribe v3 a már rögzített hanganyagok utólagos feldolgozására szolgál. A cég szerint 102 nyelven 27%-kal kevesebb szöveghibát vét, mint a Scribe v2. A szóhibaarány (WER) azt mutatja meg, hogy a rendszer a szavak mekkora részét írja le hibásan, így az alacsonyabb érték pontosabb átiratot jelent.
- A Scribe v3 Live az alacsony késleltetésű változat (a késleltetés az a rövid idő, ami a beszéd és a szöveg megjelenése között eltelik), amelyet élő hanghoz terveztek. Az ElevenLabs szerint 43%-kal kevesebb hibát vét, mint a Scribe v2 Realtime.
A beszélők megkülönböztetése kiemelt szerepet kapott. A diarizálás, vagyis annak meghatározása, hogy ki mit mondott, most először része a valós idejű modellnek. A cég szerint a Scribe v3 a legalább három beszélőt tartalmazó felvételeken 17%-kal kevesebb diarizálási hibát vét, mint az elődje – éppen ezen a területen küszködik sok eszköz. A Scribe v3 Live emellett először teszi lehetővé a diarizálást valós idejű átírás közben, és a tesztelt következő legjobb valós idejű modellhez képest 39%-kal kevesebb diarizálási hibát vét.
A beszédváltások felismerése is változott. Az ElevenLabs szerint a Live a csend mellett a beszélgetés összefüggéseit is figyelembe veszi annak eldöntéséhez, mikor fejezte be valaki a beszédet. Így kisebb az esélye, hogy félbeszakítja azt, aki egy telefonszám felolvasása közben tart szünetet.
A kimenetet is jobban szabályozhatod:
- Kiválaszthatod, hogy a számok számjegyként vagy kiírva jelenjenek meg.
- Legfeljebb 1000 fontos kifejezést adhatsz meg, például márkaneveket, betűszavakat vagy szakszavakat, hogy a modell helyesen írja le őket.
- Hétköznapi angol nyelven formázási szabályokat írhatsz elő, például kérheted, hogy a dátumok mindig azonos sorrendben jelenjenek meg.
- A Live többnyelvű módját is használhatod olyan beszélgetéseknél, amelyekben a résztvevők mondat közben nyelvet váltanak.
- Kulcsszókönyvtárat is használhatsz jóval nagyobb szókészletekhez, például termékkatalógusokhoz. A modell csak akkor ellenőrzi ezt, amikor valószínű egyezést hall.
Hogyan mérték ezeket a számokat?
Az ElevenLabs mindkét modellt a korábbi változataival és más népszerű beszédfelismerő modellekkel hasonlította össze, minden esetben ugyanazokat az adatkészleteket használva. Ezek az eredmények a cég saját állításai, és az ElevenLabs szerint hamarosan nyílt forráskódúvá teszi a valós körülmények között végzett tesztelés adatkészletét is. A százalékos értékeket ezért a szolgáltató méréseinek tekintsd, ne független eredményeknek.
Összegzés
A Scribe v3 és a Scribe v3 Live az ElevenLabs legújabb beszédfelismerő modelljei. A céljuk a kevesebb hiba, a pontosabb beszélőazonosítás, az élő beszélgetések szüneteinek intelligensebb kezelése, valamint a nevek és a formázás jobb szabályozhatósága. A cég által közölt számokat érdemes fenntartással kezelni, de a funkciókat te magad is ellenőrizheted. Következő lépésként válassz ki egy már meglévő felvételt, hallgasd meg az átirat olvasása közben, és figyeld meg, hogyan kezeli a neveket, illetve kihez rendeli az egyes megszólalásokat. Az árakról a hivatalos ElevenLabs díjszabási oldalán tájékozódhatsz.