AIT 模式
选择您的定时引擎 — 比较主要语音识别模型的准确性、速度和语言支持。
如何选择正确的模型
不同的转录模型在不同领域都很出色。 使用此指南来选择适合您需要的最佳模型 。
| 型 型 | WER | 速度 | 语言 | 最佳 |
|---|---|---|---|---|
| STT.ai Enhanced | 3.2% | 160.0x | 100 | STT.ai的旗舰语音对文本模型,具有最精确和最快速的级中最佳准确度和速度。 |
| Whisper Large V3 | 4.2% | 8.0x | 99 | OpenAI公司最大和最准确的耳语模式,用99种语言提供出色的多语种支持。 |
| Whisper Turbo | 5.1% | 32.0x | 99 | OpenAI的快速优化耳机变异体。 4x比大V3快, 精度损失最小。 |
| NVIDIA Canary | 3.5% | 45.0x | 4 | NVIDIA的多任务ASR模型,英文的高度精度最高。 建于 NeMo 框架中 。 |
| Moonshine | 7.8% | 80.0x | 1 | 用于边缘装置的超轻重量ASR模型。在Raspberry Pi 上运行,且有最小的延迟度。 |
| NVIDIA Parakeet | 3.0% | 55.0x | 1 | NVIDIA的以气候技术中心为基础的英文ASR模型,是现有最准确的开放源码英文模型之一。 |
| SenseVoice | 5.5% | 50.0x | 50 | 多语言理解模式,具有情感识别和音频事件探测功能。 |
| Distil-Whisper | 5.8% | 48.0x | 99 | 蒸发版本的Whiseper 大型V3. 6x 速度更快, 参数减少49%, 并保持准确性 。 |
| Vosk | 12.0% | 100.0x | 20 | 轻量级离线语音识别。 没有互联网就能工作, 适合隐私敏感和嵌入使用的案例。 |
WER(错误率)是什么?
WER 值是测量语音识别准确度的标准度量。 它计算出与引用值不同的笔录中的单词百分比。 5%的 WER 表示每100个单词中大约5个包含错误。 更低则更好 。
专业的人类笔记家通常达到4-5%的 WER。 最好的人工智能模型现在与清洁音频匹配或接近人类水平的精确度。