ಪದ ದೋಷ ದರ ಏನನ್ನು ಅಳೆಯುತ್ತದೆ, ಏನನ್ನು ಗಮನಿಸುವುದಿಲ್ಲ, ಮತ್ತು ತಿದ್ದುಪಡಿ ಪದರಗಳು ಏಕೆ ಮುಖ್ಯ

WER ಒಂದು ತಪ್ಪು ಹೆಸರು, ತಪ್ಪು ಸಂಖ್ಯೆ ಮತ್ತು ಕಾಣೆಯಾದ "not" ಅನ್ನು ಬಿಟ್ಟುಹೋದ "the" ಯಷ್ಟೇ ಸಮಾನವಾಗಿ ಎಣಿಸುತ್ತದೆ. ಟ್ರಾನ್ಸ್‌ಕ್ರಿಪ್ಷನ್ ವ್ಯವಸ್ಥೆಯನ್ನು ಅದು ಯಾವ ದೋಷಗಳನ್ನು ಹಿಡಿಯುತ್ತದೆ ಮತ್ತು ಅದರ ತಿದ್ದುಪಡಿಗಳನ್ನು ನೀವು ನೋಡಬಹುದೇ ಎಂಬುದರ ಮೇಲೆ ಅಳೆಯಿರಿ, ಮುಖ್ಯ ಸಂಖ್ಯೆಯ ಮೇಲೆ ಅಲ್ಲ.

WER ಸೂತ್ರ ಮತ್ತು ಒಂದು ಉದಾಹರಣೆ

ಪದ ದೋಷ ದರ (word error rate) ಎಂಬುದು ಭಾಷಣ ಗುರುತಿಸುವಿಕೆಗೆ ಬಳಸುವ ಸಾಮಾನ್ಯ ಅಳತೆಗೋಲು. ಮನುಷ್ಯರು ಪರಿಶೀಲಿಸಿದ ಒಂದು ಉಲ್ಲೇಖ ಪಠ್ಯವನ್ನು ತೆಗೆದುಕೊಂಡು, ಯಂತ್ರದ ಔಟ್‌ಪುಟ್ ಅನ್ನು ಪದ ಪದವಾಗಿ ಅದರ ಪಕ್ಕ ಜೋಡಿಸಿ, ಮೂರು ವಿಧದ ತಪ್ಪುಗಳನ್ನು ಎಣಿಸಿ: ಬದಲಿಗಳು (ತಪ್ಪು ಪದ), ಸೇರ್ಪಡೆಗಳು (ಎಂದೂ ಹೇಳದ ಪದ) ಮತ್ತು ಲೋಪಗಳು (ಕಾಣೆಯಾದ ಪದ). ಇವೆಲ್ಲವನ್ನೂ ಕೂಡಿಸಿ, ಉಲ್ಲೇಖದಲ್ಲಿರುವ ಪದಗಳ ಸಂಖ್ಯೆಯಿಂದ ಭಾಗಿಸಿ.

WER = (ಬದಲಿಗಳು + ಸೇರ್ಪಡೆಗಳು + ಲೋಪಗಳು) / ಉಲ್ಲೇಖದಲ್ಲಿರುವ ಪದಗಳ ಸಂಖ್ಯೆ

ಈ ಜೋಡಣೆ ಕಣ್ಣಿನಿಂದ ಮಾಡುವುದಲ್ಲ. ಎರಡು ಪಠ್ಯಗಳನ್ನು ಕನಿಷ್ಠ ಸಂಪಾದನಾ ದೂರ (ಲೆವೆನ್‌ಷ್ಟೈನ್ ದೂರ, ಅಕ್ಷರಗಳ ಬದಲು ಪದಗಳ ಮೇಲೆ ಅನ್ವಯಿಸಿದದ್ದು) ಮೂಲಕ ಜೋಡಿಸಲಾಗುತ್ತದೆ: ಔಟ್‌ಪುಟ್ ಅನ್ನು ಉಲ್ಲೇಖದೊಂದಿಗೆ ಜೋಡಿಸಲು ಸಾಧ್ಯವಿರುವ ಎಲ್ಲಾ ಮಾರ್ಗಗಳಲ್ಲಿ, ಸ್ಕೋರರ್ ಕಡಿಮೆ ಸಂಪಾದನೆಗಳ ಮಾರ್ಗವನ್ನು ಆರಿಸಿ ಆ ಸಂಪಾದನೆಗಳನ್ನು ಎಣಿಸುತ್ತದೆ. ಸೇರ್ಪಡೆಗಳು ಎಣಿಕೆಯಾಗುತ್ತವೆ ಮತ್ತು ಛೇದ ಉಲ್ಲೇಖದ ಉದ್ದವಾಗಿರುವುದರಿಂದ, WER ಶೇಕಡಾ 100 ಅನ್ನೂ ಮೀರಬಹುದು: ಶಾಂತವಾದ ಒಂದು ನಿಮಿಷವನ್ನು ಪಠ್ಯದಿಂದ ತುಂಬುವ ಮಾದರಿ, ಏನನ್ನೂ ಬರೆಯದ ಮಾದರಿಗಿಂತ ಕೆಟ್ಟ ಸ್ಕೋರ್ ಪಡೆಯುತ್ತದೆ.

ಉಲ್ಲೇಖ "we will meet Dr Okafor at nine on Thursday" ಆಗಿದ್ದು ಅದರಲ್ಲಿ ಒಂಬತ್ತು ಪದಗಳಿವೆ ಎಂದುಕೊಳ್ಳಿ, ಮತ್ತು ಯಂತ್ರ "we will meet the doctor at nine on Tuesday" ಎಂದು ಬರೆಯುತ್ತದೆ. ಅದು ಒಂಬತ್ತು ಪದಗಳ ಮೇಲೆ ಮೂರು ಬದಲಿಗಳು (Dr, Okafor, Thursday): ಶೇಕಡಾ 33 WER. ಸುಮಾರು ಮೂರನೇ ಎರಡು ಭಾಗ ಪದಗಳು ಸರಿಯಾಗಿವೆ, ಆದರೂ ನೀವು ತಪ್ಪು ಸಭೆಯಲ್ಲಿ, ತಪ್ಪು ದಿನದಲ್ಲಿ ಇದ್ದೀರಿ. "Thursday" ಒಂದೇ ತಪ್ಪಾಗಿದ್ದರೆ ಸ್ಕೋರ್ ಶೇಕಡಾ 11 ಆಗುತ್ತಿತ್ತು. ಪ್ರತಿ ಪದವೂ ಸರಿಯಾಗಿದ್ದು ಯಾರೂ ಹೇಳದ "um" ಸೇರಿಸಿದ ಆವೃತ್ತಿಯೂ ಶೇಕಡಾ 11 ಸ್ಕೋರ್ ಮಾಡುತ್ತದೆ, ಏಕೆಂದರೆ ಸೇರ್ಪಡೆ ಬದಲಿಯಷ್ಟೇ ಎಣಿಕೆಯಾಗುತ್ತದೆ.

ಎಣಿಕೆಗೆ ಮೊದಲು ಎರಡೂ ಪಠ್ಯಗಳನ್ನು ಸಾಮಾನ್ಯವಾಗಿ ನಾರ್ಮಲೈಸ್ ಮಾಡಲಾಗುತ್ತದೆ, ಮತ್ತು ಅಲ್ಲಿನ ಆಯ್ಕೆಗಳು ಮಾದರಿಯಷ್ಟೇ ಸ್ಕೋರ್ ಅನ್ನು ಬದಲಿಸುತ್ತವೆ. "Dr" ಮತ್ತು "Doctor" ಒಂದೇ ಪದವೇ? "nine" ಮತ್ತು "9" ಒಂದೇನಾ? ದೊಡ್ಡ-ಸಣ್ಣ ಅಕ್ಷರಗಳು ಮತ್ತು ವಿರಾಮಚಿಹ್ನೆಗಳು ಲೆಕ್ಕಕ್ಕೆ ಬರುತ್ತವೆಯೇ? ಕಟ್ಟುನಿಟ್ಟಾದ ಸ್ಕೋರಿಂಗ್ "Dr" ಮತ್ತು "Doctor" ಅನ್ನು ಬದಲಿ ಎಂದು ಗುರುತಿಸುತ್ತದೆ. ಹೆಚ್ಚಿನ ಪ್ರಕಟಿತ ಸ್ಕೋರ್‌ಗಳು ಎಲ್ಲವನ್ನೂ ಸಣ್ಣ ಅಕ್ಷರಗಳಾಗಿಸಿ, ವಿರಾಮಚಿಹ್ನೆ ತೆಗೆದು, ಸಂಖ್ಯೆಗಳನ್ನು ಒಂದೇ ರೀತಿ ಬರೆದು (ಪದಗಳಾಗಿ ಅಥವಾ ಅಂಕಿಗಳಾಗಿ) ಹೋಲಿಸುತ್ತವೆ. ಹೀಗಾಗಿ ಮಾರಾಟಗಾರರ ಅಂಕಿ ನೀವು ನೋಡಲಾಗದ ನಾರ್ಮಲೈಸರ್ ಮೇಲೆ ಅಸ್ಪಷ್ಟವಾಗಿ ಅವಲಂಬಿತವಾಗಿರುತ್ತದೆ. ಚೈನೀಸ್, ಜಪಾನೀಸ್ ಮತ್ತು ಥಾಯ್ ನಂತಹ ಪದಗಳ ನಡುವೆ ಖಾಲಿ ಜಾಗವಿಲ್ಲದ ಭಾಷೆಗಳಿಗೆ ಎಣಿಸಲು ಸ್ಪಷ್ಟ ಪದ ಗಡಿ ಇರುವುದಿಲ್ಲ, ಆದ್ದರಿಂದ ಅವುಗಳನ್ನು ಅಕ್ಷರ ದೋಷ ದರ (CER) ಮೂಲಕ ಅಳೆಯಲಾಗುತ್ತದೆ: ಅದೇ ಸೂತ್ರ, ಆದರೆ ಅಕ್ಷರಗಳ ಮೇಲೆ.

ಇಲ್ಲಿಂದ ಎರಡು ವಿಷಯಗಳು ಅನುಸರಿಸುತ್ತವೆ. ಮೊದಲನೆಯದಾಗಿ, ಶೇಕಡಾ 5 WER ಎಂದರೆ ಇಪ್ಪತ್ತರಲ್ಲಿ ಒಂದು ಪದ; ಒಂದು ಗಂಟೆಯ ಭಾಷಣದಲ್ಲಿ ಇದು ನೂರಾರು ಪದಗಳಾಗುತ್ತದೆ. ಹೋಲಿಕೆಗಾಗಿ, ಮಾನವ ಟ್ರಾನ್ಸ್‌ಕ್ರೈಬರ್‌ಗಳನ್ನು ಸಂಭಾಷಣಾ ಭಾಷಣದಲ್ಲಿ ಸಾಮಾನ್ಯವಾಗಿ ಶೇಕಡಾ 4 ರಿಂದ 5 ಎಂದು ಉಲ್ಲೇಖಿಸಲಾಗುತ್ತದೆ, ಮತ್ತು 2017ರ ಸ್ವಿಚ್‌ಬೋರ್ಡ್ ದೂರವಾಣಿ ಕಾರ್ಪಸ್‌ನ ಬಹಳ ಉಲ್ಲೇಖಿತ ಫಲಿತಾಂಶದಲ್ಲಿ ಯಂತ್ರ ಸುಮಾರು ಶೇಕಡಾ 5.1 ತಲುಪಿತ್ತು. ಆದರೆ ಎರಡೂ ಅಂಕಿಗಳು ಆಡಿಯೊ ಮತ್ತು ಸ್ಕೋರಿಂಗ್ ನಿಯಮಗಳ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿವೆ. ಎರಡನೆಯದಾಗಿ, ಸಂಖ್ಯೆ ಸಂಪೂರ್ಣವಾಗಿ ಪರೀಕ್ಷಾ ಆಡಿಯೊವನ್ನು ಅವಲಂಬಿಸಿರುತ್ತದೆ: ಸ್ಪಷ್ಟವಾಗಿ ಓದುವ ಭಾಷಣ ಒಂದು ಅಂಕಿ ನೀಡುತ್ತದೆ, ಉಚ್ಚಾರಣೆ ಮತ್ತು ಅತಿಕ್ರಮಿಸುವ ಮಾತುಗಳಿರುವ ಗದ್ದಲದ ಫಲಕ ಬೇರೆ ಅಂಕಿ ನೀಡುತ್ತದೆ. ಒಂದು ಮುಖ್ಯ WER ವ್ಯವಸ್ಥೆಯ ಬಗ್ಗೆ ಎಷ್ಟು ಹೇಳುತ್ತದೆಯೋ ಅಷ್ಟೇ ಮಾರಾಟಗಾರರ ಪರೀಕ್ಷಾ ಸೆಟ್ ಬಗ್ಗೆಯೂ ಹೇಳುತ್ತದೆ.

ಇದು ಎಣಿಕೆ. ಓದುಗರಿಗೆ ಪ್ರತಿ ತಪ್ಪಿನ ವೆಚ್ಚ ಏನು ಎಂಬುದನ್ನು ಅದು ಬಿಟ್ಟುಬಿಡುತ್ತದೆ.

WER ಸಮಾನವಾಗಿ ತೂಗುವ, ಆದರೆ ಓದುಗರು ಹಾಗೆ ತೂಗದ ತಪ್ಪುಗಳು

WER ಪ್ರತಿ ಪದವನ್ನೂ ಸಮಾನವೆಂದು ಪರಿಗಣಿಸುತ್ತದೆ. ಓದುಗರು ಹಾಗೆ ಮಾಡುವುದಿಲ್ಲ:

• ಬಿಟ್ಟುಹೋದ "the" ಅಥವಾ "um" ಕಾಣಿಸುವುದಿಲ್ಲ; ವಾಕ್ಯದ ಅರ್ಥ ಬದಲಾಗುವುದಿಲ್ಲ.
• ತಪ್ಪು ಹೆಸರು (Okafor "the doctor" ಆಗುವುದು) ಹುಡುಕಾಟವನ್ನು ಮುರಿಯುತ್ತದೆ, ಮಾತನಾಡಿದವರಿಗೆ ಮುಜುಗರ ತರುತ್ತದೆ ಮತ್ತು ಸುತ್ತಲಿನ ಸಂದರ್ಭದಿಂದ ಹಿಂದಕ್ಕೆ ಊಹಿಸಲಾಗುವುದಿಲ್ಲ.
• ತಪ್ಪು ಸಂಖ್ಯೆ (nine ಐದು ಆಗುವುದು, 2024 2014 ಆಗುವುದು) ಸತ್ಯದಂತೆ ತೋರುವ ತಪ್ಪು ಸತ್ಯವಾಗುತ್ತದೆ.
• ಬಿಟ್ಟುಹೋದ ನಿರಾಕರಣೆ ("we will not sign" "we will sign" ಆಗುವುದು) ಒಂದೇ ಲೋಪದ ಬೆಲೆಯಲ್ಲಿ ಅರ್ಥವನ್ನು ತಿರುಗಿಸುತ್ತದೆ.
• ಭ್ರಮೆಯ ವಾಕ್ಯ ಅತ್ಯಂತ ಕೆಟ್ಟ ಪ್ರಕರಣ. ಕೆಲವು ಮಾದರಿಗಳು ಸ್ಟಾಕ್ ಮುಕ್ತಾಯ ನುಡಿಗಟ್ಟನ್ನು ಉತ್ಪಾದಿಸುತ್ತವೆ, ಉದಾಹರಣೆಗೆ ಲೈಕ್ ಮಾಡಿ ಮತ್ತು ಸಬ್‌ಸ್ಕ್ರೈಬ್ ಮಾಡಿ ಎಂಬ ವಿನಂತಿ. ಇದು ಹೆಚ್ಚಾಗಿ ಮೌನ, ಸಂಗೀತ ಅಥವಾ ಗದ್ದಲದ ಮೇಲೆ ಕಾಣಿಸುತ್ತದೆ, ಮತ್ತು ಕೆಲವೊಮ್ಮೆ ಮಾತಿನ ಮೇಲೂ. ಒಂದು ಕೌನ್ಸಿಲ್ ಸಭೆಯಲ್ಲಿ ಯಾರೂ ಕೋಣೆಗೆ ಲೈಕ್ ಮಾಡಿ ಸಬ್‌ಸ್ಕ್ರೈಬ್ ಮಾಡಿ ಎಂದು ಕೇಳಿಲ್ಲ. ಇದು ಕೆಲವು ಸೇರ್ಪಡೆಗಳೆಂದು ಎಣಿಕೆಯಾಗುತ್ತದೆ, ಆದರೆ ಓದುಗರಿಗೆ ಯಾರೂ ಹೇಳದ ಮಾತು ಹೇಳಲಾಗಿದೆ, ಮತ್ತು ಅದು ನಿಜವಾದ ಮಾತಿನ ಮೇಲೆ ಬಿದ್ದರೆ, ಅದರ ಕೆಳಗಿರುವ ನಿಜವಾದ ಪದಗಳು ಕಳೆದುಹೋಗುತ್ತವೆ.

ಈ ಪ್ರತಿಯೊಂದೂ WER ಕಾಲಮ್‌ನಲ್ಲಿ ಒಂದು ಅಥವಾ ಎರಡು ತಪ್ಪುಗಳು ಮಾತ್ರ. ಓದುಗರ ಕಾಲಮ್‌ನಲ್ಲಿ ಅವು ಏನೂ ಇಲ್ಲದಿರುವುದರಿಂದ ಹಿಡಿದು ಬೇರೆ ದಿನದ ಬೇರೆ ಸಭೆಯವರೆಗೆ ಇರುತ್ತವೆ. ಆದ್ದರಿಂದ ಪ್ರಶ್ನೆ "ದೋಷ ದರ ಎಷ್ಟು" ಮಾತ್ರವಲ್ಲ, "ಯಾವ ರೀತಿಯ ದೋಷಗಳು, ಮತ್ತು ಅವನ್ನು ಯಾವುದು ಹಿಡಿಯುತ್ತದೆ" ಎಂಬುದೂ ಆಗಿದೆ.

ತಿದ್ದುಪಡಿಯ ಪದರಗಳು

ಭಾಷಣ ಗುರುತಿಸುವಿಕೆಯ ತಪ್ಪುಗಳನ್ನು ಹಲವಾರು ಪದರಗಳು ಹಿಡಿಯುತ್ತವೆ, ಮತ್ತು ಪ್ರತಿ ಬದಲಾವಣೆಯನ್ನೂ ದಾಖಲಿಸಲಾಗುತ್ತದೆ, ಇದರಿಂದ ಅದನ್ನು ಪರಿಶೀಲಿಸಬಹುದು ಮತ್ತು ರದ್ದುಪಡಿಸಬಹುದು. ಲೈವ್ ಟ್ರಾನ್ಸ್‌ಕ್ರಿಪ್ಷನ್‌ನಲ್ಲಿ ಇದು ಪಠ್ಯ ಇನ್ನೂ ಬರುತ್ತಿರುವಾಗಲೇ ನಡೆಯುತ್ತದೆ: ಪ್ರತಿ ಸಾಲು ಮೊದಲು ಡ್ರಾಫ್ಟ್ ಆಗಿ ಕಾಣಿಸುತ್ತದೆ, ಅದು ಇನ್ನೂ ಬದಲಾಗಬಹುದು, ನಂತರ ಅಂತಿಮವಾಗುತ್ತದೆ (ಲೈವ್ ಅನುವಾದದ ವಿಳಂಬ, ವಿವರಿಸಲಾಗಿದೆ ಇದು ಏಕೆ ಎಂದು ವಿವರಿಸುತ್ತದೆ).

ಸಂದರ್ಭದಿಂದ ತಿದ್ದುಪಡಿಗಳು

ಕೆಲವು ತಪ್ಪುಗಳು ಧ್ವನಿಗೆ ಹೊಂದುತ್ತವೆ ಆದರೆ ವಾಕ್ಯಕ್ಕೆ ಹೊಂದುವುದಿಲ್ಲ: ವಾಕ್ಯಕ್ಕೆ "there" ಬೇಕಿದ್ದಲ್ಲಿ "their". ಇವನ್ನು ಸಂದರ್ಭದಿಂದ ಹಿಡಿಯಬಹುದು, ಮತ್ತು ಒಂದು ತಿದ್ದುಪಡಿ ಓದುಗರಿಗೆ ಗೋಚರಿಸುವ ನವೀಕರಣವಾಗಿ ತಲುಪುತ್ತದೆ (API ಯಲ್ಲಿ transcript.amended), ಮೌನವಾಗಿ ಮರುಬರೆಯುವಿಕೆಯಾಗಿ ಅಲ್ಲ. ಸಂದರ್ಭವು ವಾಕ್ಯ ಮುಂಗಾಣಬಹುದಾದ ಪದಗಳಿಗೆ ಉತ್ತಮ. ಮುಂಗಾಣಲಾಗದವುಗಳಿಗೆ ಅದು ಸಹಾಯ ಮಾಡುವುದಿಲ್ಲ.

ಸ್ಕ್ರಿಪ್ಟ್‌ನಿಂದ ಹೆಸರುಗಳು ಮತ್ತು ಪದಗಳು

ಹೆಸರುಗಳು ಮತ್ತು ತಾಂತ್ರಿಕ ಪದಗಳು ಸಂದರ್ಭದಿಂದ ಸರಿಪಡಿಸಲಾಗದ ತಪ್ಪುಗಳು, ಏಕೆಂದರೆ ಹೆಸರು ಸಾಮಾನ್ಯವಾಗಿ ಒಮ್ಮೆ ಮಾತ್ರ ಬರುತ್ತದೆ, ಅದನ್ನು ಊಹಿಸಲು ಸುತ್ತಲೂ ಏನೂ ಇರುವುದಿಲ್ಲ. ಉಲ್ಲೇಖ ಸ್ಕ್ರಿಪ್ಟ್ ಇದನ್ನು ಪರಿಹರಿಸುತ್ತದೆ: ಆರಂಭಿಸುವ ಮೊದಲು ವ್ಯವಸ್ಥೆಗೆ ಭಾಷಣ, ಸ್ಲೈಡ್‌ಗಳು ಅಥವಾ ಹೆಸರು ಮತ್ತು ಪದಗಳ ಪಟ್ಟಿಯನ್ನು ಕೊಡಿ, ಮತ್ತು ಅದರ ಪದಗಳಿಗೆ ಎಂಜಿನ್ ತಪ್ಪಾಗಿ ಕೇಳಿದ್ದಕ್ಕಿಂತ ಆದ್ಯತೆ ಸಿಗುತ್ತದೆ. ರೆಕಾರ್ಡಿಂಗ್ ಸಮಯದಲ್ಲಿ ಸ್ಕ್ರಿಪ್ಟ್ ಟೆಲಿಪ್ರಾಂಪ್ಟರ್‌ನಂತೆ ಟ್ರಾನ್ಸ್‌ಕ್ರಿಪ್ಟ್ ಅನ್ನು ಹಿಂಬಾಲಿಸುತ್ತದೆ, ಆದ್ದರಿಂದ ಹೋಸ್ಟ್ ಎಂಜಿನ್ ಎಷ್ಟು ದೂರ ತಲುಪಿದೆ ಎಂದು ನೋಡಬಹುದು. ಸ್ಕ್ರಿಪ್ಟ್ ನೀವು ಮುಂಗಾಣಬಹುದಾದ ಪದಗಳನ್ನು ಒಳಗೊಳ್ಳುತ್ತದೆ; ಗದ್ದಲದ ಆಡಿಯೊ ಮತ್ತು ಉಚ್ಚಾರಣೆಗಳು ನೀವು ಮುಂಗಾಣಲಾಗದ ಪದಗಳನ್ನು ಉತ್ಪಾದಿಸುತ್ತವೆ.

ಲೈವ್‌ನಲ್ಲಿ ಮಾನವ ತಿದ್ದುಪಡಿಗಳು

ಕೆಲವು ತಪ್ಪುಗಳನ್ನು ಕೋಣೆಯಲ್ಲಿರುವ ವ್ಯಕ್ತಿ ಮಾತ್ರ ನೋಡಬಲ್ಲನು. ಹಸ್ತಚಾಲಿತ ತಿದ್ದುಪಡಿಗಳು ಟ್ರಾನ್ಸ್‌ಕ್ರಿಪ್ಷನ್ ಇನ್ನೂ ಲೈವ್ ಆಗಿರುವಾಗಲೇ ಹೋಸ್ಟ್‌ಗೆ ಯಾವುದೇ ಪದ ಅಥವಾ ಸಾಲನ್ನು ಮರುಬರೆಯಲು ಅವಕಾಶ ನೀಡುತ್ತವೆ, ಮತ್ತು ಬ್ರಾಡ್‌ಕಾಸ್ಟ್‌ನ ಪ್ರತಿಯೊಬ್ಬ ಕೇಳುಗರೂ ಬದಲಾವಣೆಯನ್ನು ನೋಡುತ್ತಾರೆ. ವ್ಯವಸ್ಥೆ ಹೋಸ್ಟ್‌ಗೆ ಸಂಭಾವ್ಯ ಅಭ್ಯರ್ಥಿಗಳತ್ತ ತೋರಿಸುತ್ತದೆ: ಎಂಜಿನ್ ಖಚಿತವಿಲ್ಲದ ಪದಗಳನ್ನು ಬಣ್ಣ ಹಚ್ಚಿ ಅಂಡರ್‌ಲೈನ್ ಮಾಡಬಹುದು, ಮತ್ತು ಹೋಸ್ಟ್ ಪೂರ್ತಿ ಟ್ರಾನ್ಸ್‌ಕ್ರಿಪ್ಟ್ ಅನ್ನು ಮತ್ತೆ ಓದುವ ಬದಲು ಅನಿಶ್ಚಿತ ಭಾಗಗಳ ಮೂಲಕ ಒಂದೊಂದಾಗಿ ಮುಂದುವರಿಯಬಹುದು. API ಮೂಲಕ, GET /v1/recordings/{id}/corrections ರೆಕಾರ್ಡಿಂಗ್‌ನ ತಿದ್ದುಪಡಿಗಳನ್ನು ಪಟ್ಟಿ ಮಾಡುತ್ತದೆ ಮತ್ತು POST /v1/corrections/{id}/revert ಒಂದನ್ನು ರದ್ದುಪಡಿಸುತ್ತದೆ; API ಉಲ್ಲೇಖ ನೋಡಿ. ಆದರೂ, ಕೋಣೆಯಲ್ಲಿರುವ ವ್ಯಕ್ತಿಯೂ ಯಾರೂ ಕೇಳಲಾಗದ ಸಾಲನ್ನು ಸರಿಪಡಿಸಲಾರ.

ತುಂಬಾ ಅಸ್ಪಷ್ಟವಾದ ಸಾಲುಗಳನ್ನು ಮರೆಮಾಡುವುದು

ಕೊನೆಯ ಪದರವು ಕೆಲವು ಆಡಿಯೊವನ್ನು ಮರುಪಡೆಯಲಾಗದು ಎಂದು ಒಪ್ಪಿಕೊಳ್ಳುತ್ತದೆ. ಒಂದು ಸಾಲು ಟ್ರಾನ್ಸ್‌ಕ್ರಿಪ್ಷನ್‌ನ ವಿಶ್ವಾಸಾರ್ಹತಾ ಮಿತಿ (confidence.hideBelow, ಡೀಫಾಲ್ಟ್ 0.60) ಗಿಂತ ಕಡಿಮೆ ಅಂಕ ಪಡೆದರೆ, ಕೇಳುಗರು ಊಹೆಯ ಬದಲು ಅದರ ಸ್ಥಾನದಲ್ಲಿ "ಆಡಿಯೊ ಅಸ್ಪಷ್ಟ" ಎಂದು ನೋಡುತ್ತಾರೆ, ಮತ್ತು ಆ ಸಾಲನ್ನು ಎಂದಿಗೂ ಗಟ್ಟಿಯಾಗಿ ಓದಲಾಗುವುದಿಲ್ಲ. ಓದುಗರು ಒಂದು ಸಾಲನ್ನು ಕಳೆದುಕೊಳ್ಳುತ್ತಾರೆ; ಅವರಿಗೆ ಸೃಷ್ಟಿಸಿದ ಸಾಲು ಸಿಗುವುದಿಲ್ಲ.

ಈ ಪದರಗಳನ್ನು ರೂಪಿಸಿದ ಪ್ರಶ್ನೆಗಳು ಯಾವುದೇ ಮಾರಾಟಗಾರರ ನಿಖರತೆಯ ಹಕ್ಕಿಗೆ ಅನ್ವಯಿಸುತ್ತವೆ, ನಮ್ಮದಕ್ಕೂ ಸೇರಿದಂತೆ.

ಮಾರಾಟಗಾರರನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುವುದು

ಯಾವುದೇ ನಿಖರತೆಯ ಹಕ್ಕನ್ನು ಓದಲು ಒಂದು ಸಣ್ಣ ಪರಿಶೀಲನಾಪಟ್ಟಿ:

1. ಸಂಖ್ಯೆ ಯಾವ ಆಡಿಯೊದಿಂದ ಬಂತು ಮತ್ತು ಅದನ್ನು ಹೇಗೆ ಸ್ಕೋರ್ ಮಾಡಲಾಯಿತು ಎಂದು ಕೇಳಿ. ಸ್ಪಷ್ಟವಾಗಿ ಓದುವ ಭಾಷಣದ ಮೇಲಿನ WER, ಪ್ರತಿಧ್ವನಿಸುವ ಸಭಾಂಗಣದ ಫಲಕದ ಬಗ್ಗೆ ಬಹಳ ಕಡಿಮೆ ಹೇಳುತ್ತದೆ, ಮತ್ತು ಬೇರೆ ನಾರ್ಮಲೈಸರ್‌ಗಳನ್ನು ಬಳಸುವ ಇಬ್ಬರು ಮಾರಾಟಗಾರರು ಒಂದೇ ಪ್ರಮಾಣವನ್ನು ವರದಿ ಮಾಡುತ್ತಿಲ್ಲ. ಒಬ್ಬ ಮಾರಾಟಗಾರರ ಅಂಕಿಯನ್ನು ಇನ್ನೊಬ್ಬರ ಅಂಕಿಯೊಂದಿಗೆ ಹೋಲಿಸುವ ಬದಲು, ಒಂದೇ ಸ್ವತಂತ್ರ ಮೂಲದ ಸಂಖ್ಯೆಗಳನ್ನು ಹೋಲಿಸಿ.
2. ನಿಮ್ಮ ಸ್ವಂತ ಆಡಿಯೊವನ್ನು ಪರೀಕ್ಷಿಸಿ. ನೀವು ಬಳಸುವ ಹೆಸರುಗಳೊಂದಿಗೆ ನಿಮ್ಮದೇ ಹತ್ತು ನಿಮಿಷದ ರೆಕಾರ್ಡಿಂಗ್ ಯಾವುದೇ ಕೋಷ್ಟಕಕ್ಕಿಂತ ಹೆಚ್ಚು ಹೇಳುತ್ತದೆ. ಲೈವ್ ಡೆಮೊ ಪ್ರಯತ್ನಿಸಿ.
3. ಎಣಿಕೆಯನ್ನಲ್ಲ, ದೋಷಗಳ ಪ್ರಕಾರಗಳನ್ನು ನೋಡಿ. ಹೆಸರುಗಳು, ಸಂಖ್ಯೆಗಳು ಮತ್ತು ನಿರಾಕರಣೆಗಳಲ್ಲೇ ವೆಚ್ಚ ಇರುತ್ತದೆ. ವ್ಯವಸ್ಥೆ ಸ್ಕ್ರಿಪ್ಟ್ ಸ್ವೀಕರಿಸಬಹುದೇ ಮತ್ತು ಅದು ಕೇಳಲಾಗದ ಭಾಷಣದೊಂದಿಗೆ ಏನು ಮಾಡುತ್ತದೆ ಎಂದು ಪರಿಶೀಲಿಸಿ.
4. ನೀವು ತಿದ್ದುಪಡಿಗಳನ್ನು ನೋಡಬಹುದೇ ಮತ್ತು ರದ್ದುಪಡಿಸಬಹುದೇ ಎಂದು ಕೇಳಿ. ಯಾವುದೇ ಕುರುಹು ಬಿಡದ ಸ್ವಯಂ ತಿದ್ದುಪಡಿ ಮತ್ತೊಂದು ಮೌನ ದೋಷಗಳ ಮೂಲ. ಪ್ರತಿ ತಿದ್ದುಪಡಿಯೂ ಗುರುತಿಸಲ್ಪಟ್ಟು, ಪಟ್ಟಿಯಾಗಿ, ರದ್ದುಪಡಿಸಬಹುದಾದಂತಿರಬೇಕು: ಕಾರ್ಯಕ್ರಮದ ಸಮಯದಲ್ಲಿ ಹೋಸ್ಟ್‌ನಿಂದ, ಮತ್ತು ನಂತರ ಡೆವಲಪರ್‌ನಿಂದ.

VocalStack ತನ್ನ ಆಂತರಿಕ WER ಅಂಕಿಯನ್ನು ಪ್ರಕಟಿಸುವುದಿಲ್ಲ, ಮೊದಲ ಕಾರಣಕ್ಕಾಗಿ: ಅದು ನಮ್ಮ ಪರೀಕ್ಷಾ ಸೆಟ್ ಅನ್ನು ವಿವರಿಸುತ್ತದೆ, ನಿಮ್ಮ ಆಡಿಯೊವನ್ನಲ್ಲ. ನಾವು ನಿರಂತರವಾಗಿ ನಿಖರತೆಯನ್ನು ಅಳೆಯುತ್ತೇವೆ. ಇತರ ವ್ಯವಸ್ಥೆಗಳನ್ನು ಹೋಲಿಸುವಾಗ, ಸ್ವತಂತ್ರ ಪ್ರಕಟಿತ ಮಾನದಂಡಗಳನ್ನು ಮತ್ತು ಮಾರಾಟಗಾರರು ಪ್ರಕಟಿಸಿದ ಅಂಕಿಗಳನ್ನು ಬಳಸುತ್ತೇವೆ, ಎಂದಿಗೂ ಖಾಸಗಿ ಪರೀಕ್ಷೆಗಳನ್ನಲ್ಲ. ಉಳಿದದ್ದನ್ನು ನಿಮ್ಮ ಸ್ವಂತ ಆಡಿಯೊ ನಿರ್ಧರಿಸಲಿ.