Captions Cut

ସ୍ୱୟଂଚାଳିତ କ୍ୟାପସନ କେତେ ସଠିକ?

Captions Cutର ନିର୍ମାତା ଦ୍ୱାରା। ସୂତ୍ର ତଳେ ତାଲିକାଭୁକ୍ତ ପୃଷ୍ଠାରୁ ରେ ତଥ୍ୟ ଯାଞ୍ଚ କରାଯାଇଛି।

ସଂକ୍ଷିପ୍ତ ଉତ୍ତର

ଏକ ପ୍ରମୁଖ ଭାଷାରେ ସ୍ପଷ୍ଟ କଥା ଉପରେ, ଆଜିର ସର୍ବୋତ୍ତମ ସ୍ପିଚ ରିକଗ୍ନିସନ 100ରୁ ପ୍ରାୟ 95 ରୁ 98ଟି ଶବ୍ଦ ସଠିକ ପାଏ (2 ରୁ 5% ଶବ୍ଦ ତ୍ରୁଟି ହାର)। ତଥାପି 45 ସେକେଣ୍ଡର କ୍ଲିପରେ କିଛି ଭୁଲ ରହିଯାଏ, ସାଧାରଣତଃ ନାମ, ସ୍ଲାଙ୍ଗ ଓ ସଂଖ୍ୟାରେ। ପୃଷ୍ଠଭୂମିର ଶବ୍ଦ, ଦୂରର ମାଇକ୍ରୋଫୋନ, ଏକାସାଙ୍ଗରେ କହୁଥିବା ବକ୍ତା, ଗାଢ଼ ଉଚ୍ଚାରଣ ଓ କମ୍ ସମ୍ବଳ ଥିବା ଭାଷାରେ ସଠିକତା ତୀବ୍ର ଭାବେ କମେ, ତେଣୁ ପୋଷ୍ଟ କରିବା ପୂର୍ବରୁ ପ୍ରତ୍ୟେକ କ୍ୟାପସନ ପଢ଼ନ୍ତୁ।

ଶବ୍ଦ ତ୍ରୁଟି ହାର, ସରଳ ଭାଷାରେ

ଶବ୍ଦ ତ୍ରୁଟି ହାର (WER) ପ୍ରତି ଶହେ କୁହାଯାଇଥିବା ଶବ୍ଦରେ ଏକ ସିଷ୍ଟମ ଯେତେ ଶବ୍ଦ ଭୁଲ କରେ (ବଦଳାଏ, ଛାଡ଼େ କିମ୍ବା ଯୋଡ଼େ) ତାହା ଗଣେ। 5% WER ର ଅର୍ଥ ପ୍ରତି କୋଡ଼ିଏ ଶବ୍ଦରେ ପ୍ରାୟ ଗୋଟିଏ ଭୁଲ। ଏକ ଛୋଟ କ୍ଲିପରେ 100 ରୁ 150 ଶବ୍ଦ ଥାଏ, ତେଣୁ ଉତ୍କୃଷ୍ଟ ସିଷ୍ଟମ ମଧ୍ୟ ସାଧାରଣତଃ ଠିକ କରିବାକୁ କିଛି ଛାଡ଼ିଦିଏ।

ସିଷ୍ଟମଗୁଡ଼ିକ କେତେ ସ୍କୋର କରନ୍ତି

ବେଞ୍ଚମାର୍କଫଳାଫଳକିଏ ମାପିଲା
Artificial Analysis, ପ୍ରାୟ 8 ଘଣ୍ଟାର ବାସ୍ତବ ଇଂରାଜୀ ଅଡିଓElevenLabs Scribe v2: 2.2% WER, ପରୀକ୍ଷିତ ମଡେଲମାନଙ୍କ ମଧ୍ୟରେ ପ୍ରାୟ ଚତୁର୍ଥସ୍ୱାଧୀନ ବେଞ୍ଚମାର୍କ
AssemblyAIର ନିଜ ଡାଟାସେଟଏହାର Universal-3.5 Pro 4.35%; GPT-4o Transcribe 5.34%; Scribe v2 5.87%; Deepgram Nova-3 6.66%AssemblyAI (ଜଣେ ବିକ୍ରେତା)
LibriSpeech test-clean (ପଢ଼ାଯାଇଥିବା ଅଡିଓବୁକ)Whisper large-v2: 2.7% WEROpenAIର Whisper ପେପର
ElevenLabsର ନିଜ ଭାଷା ସ୍ତରଇଂରାଜୀ, ଫରାସୀ, ଜର୍ମାନ, ସ୍ପାନିସ ଓ ଜାପାନୀ ପାଇଁ 5% କିମ୍ବା କମ୍; ଉର୍ଦ୍ଦୁ, ୟୋରୁବା ଓ ଜୁଲୁ ପାଇଁ 20 ରୁ 50%ElevenLabs (ଜଣେ ବିକ୍ରେତା)

ଏହା କାହିଁକି ବିଫଳ ହୁଏ

  • ଶବ୍ଦ ଓ ଦୂରତା। CHiME-6 ଚ୍ୟାଲେଞ୍ଜରେ, ଏକ କୋଠରୀର ଅନ୍ୟ ପାଖରୁ କଥା ହେଉଥିବା ଲୋକଙ୍କ ରେକର୍ଡିଂ ବେସଲାଇନ ସିଷ୍ଟମ ପାଇଁ ପ୍ରାୟ 51% WER ସ୍କୋର କଲା।
  • କିଏ କହୁଛି। PNASରେ ଏକ 2020 ଅଧ୍ୟୟନରେ ପାଞ୍ଚଟି ବାଣିଜ୍ୟିକ ସିଷ୍ଟମ କଳା ବକ୍ତାଙ୍କ ପାଇଁ ହାରାହାରି 35% WER ଓ ଧଳା ବକ୍ତାଙ୍କ ପାଇଁ 19% ପାଇଲେ।
  • ଓଭରଲାପ ଓ ମିଶ୍ରିତ ଭାଷା। YouTube ନିଜ କ୍ୟାପସନ ବିଫଳ ହେବାର କାରଣ ମଧ୍ୟରେ ଏକାସାଙ୍ଗରେ କହୁଥିବା ବକ୍ତା, ମିଶ୍ରିତ ଭାଷା ଓ ଲମ୍ବା ନୀରବତା ତାଲିକାଭୁକ୍ତ କରେ।
  • ମନଗଢ଼ା ଟେକ୍ସଟ। Whisper ପେପର ଉଲ୍ଲେଖ କରେ ଯେ ମଡେଲ କେବେ କେବେ ଅଡିଓ ସହ ସମ୍ପର୍କହୀନ ଟେକ୍ସଟ ଦେଇପାରେ।

ଅଧିକ ପରିଷ୍କାର କ୍ୟାପସନ ପାଇବା

  • ମାଇକ୍ରୋଫୋନ ପାଖରେ, ସଙ୍ଗୀତ ଓ ଟ୍ରାଫିକରୁ ଦୂରରେ ରେକର୍ଡ କରନ୍ତୁ।
  • ଛୋଟ କିମ୍ବା ମିଶ୍ରିତ କ୍ଲିପରେ ଅଟୋ-ଡିଟେକ୍ଟ ବଦଳରେ କୁହାଯାଉଥିବା ଭାଷା ବାଛନ୍ତୁ।
  • ଏକ୍ସପୋର୍ଟ କରିବା ପୂର୍ବରୁ ଟ୍ରାନ୍ସକ୍ରିପ୍ଟ ପଢ଼ନ୍ତୁ। Captions Cutରେ ପ୍ରତ୍ୟେକ ଶବ୍ଦ ଏଡିଟ କରିହେବ: ଟେକ୍ସଟ କିମ୍ବା ଏହାର ସମୟ ଠିକ କରିବାକୁ ଏହାକୁ ଟ୍ୟାପ କରନ୍ତୁ।

ଆମେ କିପରି ଯାଞ୍ଚ କଲୁ

ବିକ୍ରେତାମାନେ ନିଜେ ବାଛିଥିବା ବେଞ୍ଚମାର୍କରେ ନିଜକୁ ପ୍ରଥମ ସ୍ଥାନରେ ରଖନ୍ତି, ତେଣୁ ସେମାନଙ୍କ ସଂଖ୍ୟା ସେମାନଙ୍କର ବୋଲି ଲେବଲ କରାଯାଇଛି ଓ ବିକ୍ରେତାମାନଙ୍କ ମଧ୍ୟରେ ତୁଳନା କରାଯାଇନାହିଁ। ସ୍ୱାଧୀନ ସଂଖ୍ୟା Artificial Analysisର। 22 ଅକ୍ଟୋବର 2026ରେ ପଢ଼ାଯାଇଛି।

ପ୍ରଶ୍ନ

ସ୍ୱୟଂଚାଳିତ କ୍ୟାପସନ ଯାଞ୍ଚ ନକରି ପୋଷ୍ଟ କରିବା ପାଇଁ ଯଥେଷ୍ଟ ସଠିକ କି?

କ୍ୱଚିତ। 2 ରୁ 5% WER ରେ ମଧ୍ୟ ଏକ ଛୋଟ କ୍ଲିପରେ ସାଧାରଣତଃ ଏକ ବା ଦୁଇଟି ଭୁଲ ଥାଏ, ପ୍ରାୟତଃ ଏକ ନାମରେ। ପ୍ରଥମେ ପଢ଼ନ୍ତୁ।

କେଉଁ ଭାଷା ସବୁଠାରୁ ଭଲ ଟ୍ରାନ୍ସକ୍ରାଇବ ହୁଏ?

ଅନେକ ଟ୍ରେନିଂ ଡାଟା ଥିବା ବହୁଳ ଭାବେ କୁହାଯାଉଥିବା ଭାଷା (ଇଂରାଜୀ, ସ୍ପାନିସ, ଫରାସୀ, ଜର୍ମାନ, ଜାପାନୀ ଓ ଅନ୍ୟାନ୍ୟ) ସର୍ବୋତ୍ତମ ସ୍କୋର କରନ୍ତି। Captions Cut 53ଟି ଭାଷା ଟ୍ରାନ୍ସକ୍ରାଇବ କରେ; କମ୍ ସମ୍ବଳ ଥିବା ଭାଷାରେ ଅଧିକ ସଂଶୋଧନ ଦରକାର।

ସୂତ୍ର

ପ୍ରତ୍ୟେକ ପୃଷ୍ଠା ରେ ପଢ଼ାଯାଇଛି।

ଆପଣଙ୍କ ବ୍ରାଉଜରରେ ଏକ ଭିଡିଓରେ କ୍ୟାପସନ ଦିଅନ୍ତୁ iPhone ଆପ ପାଆନ୍ତୁ