ದೋಷ / ಉಪಘಟಕದ ಮನವಿಯನ್ನು ವರದಿ ಮಾಡು@ option: check Ask for Confirmation When

AI ಮಾದರಿಗಳು

ನಿಮ್ಮ ಪ್ರಕ್ಷೇಪಣೆ ಯಂತ್ರವನ್ನು ಆಯ್ಕೆಮಾಡಿ — ಪ್ರಮುಖ ಭಾಷಣ ಮಂಡಳಿಯ ಬೆಂಬಲವಿರುವ ಕಾಲ್ಪನಿಕ, ವೇಗ ಮತ್ತು ಭಾಷಾ ಬೆಂಬಲವನ್ನು ಹೋಲಿಸಿ.

STT.ai Enhanced
STT.ai
ಸಲಹೆ ಮಾಡಲಾಗಿದೆ STT.ai

STT.ai ರ ವೈಖರಿ-ಭಾಷಾ ಮಾದರಿ ಉತ್ತಮ- ವರ್ಗದ ನಿಷ್ಕೃಷ್ಟತೆ ಹಾಗು ವೇಗ. ಉತ್ಪಾದನೆ ಹೊರೆಗಳಿಗೆ ಆಪ್ಬಿಸಲ್ಪಟ್ಟಿದೆ.

3.2%
WER
100
ಲಾಂಗ್ಸ್Name
160.0x
ವೇಗ
Proprietary ಪ್ರಯತ್ನಿಸಿ →
Whisper Large V3
OpenAI
ಸಲಹೆ ಮಾಡಲಾಗಿದೆ

OpenAI ನ ಅತಿ ದೊಡ್ಡ ಮತ್ತು ಅತ್ಯಂತ ನಿಷ್ಕೃಷ್ಟ ವಿಸ್ಪರ್ ಮಾದರಿ. ಬಹು ಬಹುಭಾಷಾ ಬೆಂಬಲ 99 ಭಾಷೆಗಳಲ್ಲಿ.

4.2%
WER
99
ಲಾಂಗ್ಸ್Name
8.0x
ವೇಗ
MIT ಪ್ರಯತ್ನಿಸಿ →
Whisper Turbo
OpenAI
ಸಲಹೆ ಮಾಡಲಾಗಿದೆ

OpenAI ನ ವೇಗ ವಿಸ್ಪರ್ ವಿಶ್ಲೇಷಕ. ೪x ದೊಡ್ಡ ವಿ3 ಕ್ಕಿಂತ ವೇಗವಾದ ನಿಷ್ಕೃಷ್ಟ ನಷ್ಟ.

5.1%
WER
99
ಲಾಂಗ್ಸ್Name
32.0x
ವೇಗ
MIT ಪ್ರಯತ್ನಿಸಿ →
NVIDIA Canary
NVIDIA
ಸಲಹೆ ಮಾಡಲಾಗಿದೆ

NVidia ನ ಬಹು- ಕಾರ್ಯ ಮಾದರಿ ASR ಇಂಗ್ಲೀಷಿನ ಮೇಲೆ ನಿಷ್ಕೃಷ್ಟತೆ. ನ್ಯಾಮೋ ಚೌಕದಲ್ಲಿ ನಿರ್ಮಿಸಲಾದ.

3.5%
WER
4
ಲಾಂಗ್ಸ್Name
45.0x
ವೇಗ
CC-BY-4.0 ಪ್ರಯತ್ನಿಸಿ →
Moonshine
Useful Sensors

ಅಲ್ಟ್ರಾ- ಹಗುರವಾದ ASR ಮಾದರಿ ಜಾಲ ಸಾಧನಗಳಿಗಾಗಿ ರಚಿಸಲಾಗಿದೆ. ಸಂದಿಗ್ಧ ಅಸ್ಥಿವೇಶನದೊಂದಿಗೆ ರಸ್ಪೇರಿ ಪಿಯಲ್ಲಿ ಚಲಾಯಿಸುತ್ತದೆ.

7.8%
WER
1
ಲಾಂಗ್ಸ್Name
80.0x
ವೇಗ
MIT ಪ್ರಯತ್ನಿಸಿ →
NVIDIA Parakeet
NVIDIA
ಸಲಹೆ ಮಾಡಲಾಗಿದೆ

NVidia ನ CTC- ಆಧಾರಿತ ಇಂಗ್ಲಿಷ್‌ ಮಾದರಿ. ಲಭ್ಯವಿರುವ ಅತಿ ನಿಷ್ಕೃಷ್ಟವಾಗಿ ತೆರೆಯಲಾದ ಇಂಗ್ಲೀಷ್ ಮಾದರಿಗಳಲ್ಲಿ ಒಂದು.

3.0%
WER
1
ಲಾಂಗ್ಸ್Name
55.0x
ವೇಗ
CC-BY-4.0 ಪ್ರಯತ್ನಿಸಿ →
SenseVoice
FunAudioLLM

ಬಹುಮಾಧ್ಯಮ ವಾಕ್ಸರಣಿ ಮಾದರಿ ಭಾವ- ಮನ್ನಣೆ ಹಾಗು ಆಡಿಯೊ ಘಟನೆಯನ್ನು ಪತ್ತೆಹಚ್ಚುವಿಕೆ. Name

5.5%
WER
50
ಲಾಂಗ್ಸ್Name
50.0x
ವೇಗ
MIT ಪ್ರಯತ್ನಿಸಿ →
Distil-Whisper
Hugging Face

ವೀಸ್ಪರ್ ದೊಡ್ಡ V3.6x ವೇಗವಾಗಿ 49% ವಿಗ್ರಾಂನಲ್ಲಿ ಕಡಿಮೆ ಪ್ರಮಾಣಗಳು ಮತ್ತು ನಿಖರತೆಯನ್ನು ಕಾಪಾಡಿಕೊಳ್ಳುವ ಮೂಲಕ ವಿಸ್ಪರ್ ವಿಸ್ಪರ್ ಆವೃತ್ತಿಯು ಪೂರ್ಣಗೊಂಡಿದೆ.

5.8%
WER
99
ಲಾಂಗ್ಸ್Name
48.0x
ವೇಗ
MIT ಪ್ರಯತ್ನಿಸಿ →
Vosk
Alpha Cephei

ಲಂಗುಲಗಾಮಿಲ್ಲದ ಭಾಷಣ ಮನ್ನಣೆ. ಇಂಟರ್ನೆಟ್ ಇಲ್ಲದೆ ಕೆಲಸ ಮಾಡುತ್ತದೆ, ಖಾಸಗಿ-ಸಂಘಟಿತ ಹಾಗೂ ಅಂತರ್ಯುದ್ಧದ ಕೇಸ್‌ಗಳಿಗೆ ಸೂಕ್ತ.

12.0%
WER
20
ಲಾಂಗ್ಸ್Name
100.0x
ವೇಗ
Apache 2.0 ಪ್ರಯತ್ನಿಸಿ →

ಸರಿಯಾದ ಆದರ್ಶವನ್ನು ಹೇಗೆ ಆಯ್ಕೆಮಾಡುವುದು?

ನಿಮ್ಮ ಅಗತ್ಯಗಳಿಗೆ ಅತ್ಯುತ್ತಮ ಮಾದರಿಯನ್ನಿಡಲು ಈ ಮಾರ್ಗದರ್ಶಿಯನ್ನು ಉಪಯೋಗಿಸಿರಿ.

ಮಾದರಿ WER ವೇಗ ಭಾಷೆಗಳುName ಇದಕ್ಕೆ ಉತ್ತಮ
STT.ai Enhanced 3.2% 160.0x 100 STT.ai ರ ವೈಖರಿ-ಭಾಷಾ ಮಾದರಿ ಉತ್ತಮ- ವರ್ಗದ ನಿಷ್ಕೃಷ್ಟತೆ ಹಾಗು ವೇಗ. ಉತ್ಪಾದನೆ …
Whisper Large V3 4.2% 8.0x 99 OpenAI ನ ಅತಿ ದೊಡ್ಡ ಮತ್ತು ಅತ್ಯಂತ ನಿಷ್ಕೃಷ್ಟ ವಿಸ್ಪರ್ ಮಾದರಿ. ಬಹು …
Whisper Turbo 5.1% 32.0x 99 OpenAI ನ ವೇಗ ವಿಸ್ಪರ್ ವಿಶ್ಲೇಷಕ. ೪x ದೊಡ್ಡ ವಿ3 ಕ್ಕಿಂತ ವೇಗವಾದ …
NVIDIA Canary 3.5% 45.0x 4 NVidia ನ ಬಹು- ಕಾರ್ಯ ಮಾದರಿ ASR ಇಂಗ್ಲೀಷಿನ ಮೇಲೆ ನಿಷ್ಕೃಷ್ಟತೆ. ನ್ಯಾಮೋ …
Moonshine 7.8% 80.0x 1 ಅಲ್ಟ್ರಾ- ಹಗುರವಾದ ASR ಮಾದರಿ ಜಾಲ ಸಾಧನಗಳಿಗಾಗಿ ರಚಿಸಲಾಗಿದೆ. ಸಂದಿಗ್ಧ ಅಸ್ಥಿವೇಶನದೊಂದಿಗೆ ರಸ್ಪೇರಿ …
NVIDIA Parakeet 3.0% 55.0x 1 NVidia ನ CTC- ಆಧಾರಿತ ಇಂಗ್ಲಿಷ್‌ ಮಾದರಿ. ಲಭ್ಯವಿರುವ ಅತಿ ನಿಷ್ಕೃಷ್ಟವಾಗಿ ತೆರೆಯಲಾದ …
SenseVoice 5.5% 50.0x 50 ಬಹುಮಾಧ್ಯಮ ವಾಕ್ಸರಣಿ ಮಾದರಿ ಭಾವ- ಮನ್ನಣೆ ಹಾಗು ಆಡಿಯೊ ಘಟನೆಯನ್ನು ಪತ್ತೆಹಚ್ಚುವಿಕೆ. Name
Distil-Whisper 5.8% 48.0x 99 ವೀಸ್ಪರ್ ದೊಡ್ಡ V3.6x ವೇಗವಾಗಿ 49% ವಿಗ್ರಾಂನಲ್ಲಿ ಕಡಿಮೆ ಪ್ರಮಾಣಗಳು ಮತ್ತು ನಿಖರತೆಯನ್ನು …
Vosk 12.0% 100.0x 20 ಲಂಗುಲಗಾಮಿಲ್ಲದ ಭಾಷಣ ಮನ್ನಣೆ. ಇಂಟರ್ನೆಟ್ ಇಲ್ಲದೆ ಕೆಲಸ ಮಾಡುತ್ತದೆ, ಖಾಸಗಿ-ಸಂಘಟಿತ ಹಾಗೂ ಅಂತರ್ಯುದ್ಧದ …

WER (ವರ್ಚುಯಲ್ ದೋಷ) ಏನು?

World ದೋಷ (WER) ರುಸ್ತರ ಮಾನ್ಯತೆಯನ್ನು ಅಳೆಯುವ ಮಾನಕವಾಗಿದೆ. ಅದು ಉಲ್ಲೇಖದಿಂದ ಭಿನ್ನವಾಗಿರುವ ಅಕ್ಷರಗಳ ಶೇಖರಣೆಯಲ್ಲಿ ಪದಗಳ ಶೇಖರಣೆಯನ್ನು ಲೆಕ್ಕಹಾಕುತ್ತದೆ. ಪ್ರತಿ ನೂನೂ ೧೦% ಅಕ್ಷರಗಳಲ್ಲಿ ಸುಮಾರು 5% ಪದಗಳು ದೋಷವನ್ನು ಹೊಂದಿವೆ. ಕೆಳಗಿನದು ಉತ್ತಮವಾಗಿದೆ.

ಪರಿಣತ ಮಾನವ ಕಾರ್ಯಯೋಜಕರು ಸಾಮಾನ್ಯವಾಗಿ ೪-5% ಒಂದು WER ಅನ್ನು ಸಾಧಿಸುತ್ತಾರೆ. ಉತ್ತಮ ಎಐ ಮಾದರಿಗಳು ಈಗ ತಾಳುತ್ತವೆ ಅಥವಾ ಮಾನವ ಮಟ್ಟದ ನಿಷ್ಕೃಷ್ಟತೆಯನ್ನು ನೀಟಾಗಿ ಆಕ್ರಮಿಸುತ್ತವೆ.

ಯಾವ ಆದರ್ಶವನ್ನು ಬಳಸಬೇಕೆಂದು ಗೊತ್ತಿಲ್ಲವೆ?

ನಮ್ಮ ಪೂರ್ವನಿಯೋಜಿತವಾದ ವೀಸ್ಪರ್‌ ವಿ3 ಟ್ರೋಬೋ ವೇಗ ಮತ್ತು ನಿಷ್ಕೃಷ್ಟತೆಯ ಉತ್ತಮ ಮಟ್ಟವನ್ನು ನೀಡುತ್ತದೆ. ಆರಂಭಿಸಲು ಸ್ವತಂತ್ರರಾಗಲು, ಯಾವುದೇ ಚಿಹ್ನೆಯ ಅಗತ್ಯವಿಲ್ಲ.

ದೃಢೀಕರಣವನ್ನು ಆರಂಭಿಸು@ action: inmenu Edit