Paxa Labs
เข้าสู่ระบบ

บทความSpeech-to-Text

เลือกเอนจินถอดเสียงภาษาไทยอย่างไร

เจ็ดคุณสมบัติที่ควรทดสอบกับไฟล์เสียงของคุณเอง ก่อนที่ตัวเลขความแม่นยำจะเข้ามาในบทสนทนา ตั้งแต่ช่วงเวลาของคำ ไปจนถึงค่าใช้จ่ายเมื่อล้มเหลว

· อ่าน 1 นาที

การเปรียบเทียบระบบถอดเสียงส่วนใหญ่เปิดด้วยตัวเลขความแม่นยำแล้วจบตรงนั้น สำหรับภาษาไทยนี่เป็นจุดเริ่มที่อ่อน เพราะตัวเลขขึ้นอยู่กับตัวตัดคำที่ภาษาไทยไม่ได้ให้มา และเพราะคุณสมบัติที่ตัดสินว่าบทถอดใช้งานได้จริงหรือไม่ ส่วนใหญ่เป็นเรื่องอื่นนอกเหนือจากความแม่นยำ เอนจินหนึ่งฟังประโยคไทยถูกต้องได้ แต่ยังคืนสิ่งที่เอาไปสร้างผลิตภัณฑ์ต่อไม่ได้

บทความนี้คือแผนการทดสอบ อัดเสียงแบบที่คุณมีอยู่จริงสักสามสิบนาที ส่งเข้าแต่ละตัวเลือก แล้วตรวจเจ็ดข้อ ทุกข้อตอบได้จากคำตอบเดียว บทความนี้ไม่เอ่ยชื่อเอนจินใด รวมของเราเอง และไม่ยกตัวเลขใดมาอ้าง

1. ช่วงเวลาที่ครอบคลุมทั้งคำ#

ขอเวลาระดับคำแล้วดูสิ่งที่กลับมา เอนจินบางตัวจับเวลาภาษาไทยทีละตัวอักษร เพราะระบบเขียนไม่ได้ให้ขอบเขตอื่นไว้ ช่วงเวลาระดับตัวอักษรเป็นไทม์สแตมป์โดยเทคนิค แต่ใช้งานจริงไม่ได้ บรรทัดซับที่ตัดตรงนั้นจะขาดกลางคำ เครื่องเล่นแบบอ่านตามจะไฮไลต์พยัญชนะตัวเดียว และผลการค้นหาจะเปิดที่เศษคำ

วลีเดียวกัน จับเวลาสองแบบ (วินาทีเป็นตัวอย่างประกอบ)
ประชุมวันพฤหัส

per word         ประชุม  0.42-0.86    วัน  0.86-1.02
                 พฤหัส   1.02-1.48

per character    ป 0.42-0.47   ร 0.47-0.51   ะ 0.51-0.55
                 ช 0.55-0.61   ุ 0.61-0.64   ม 0.64-0.86

เอนจินที่คืนรูปแรกได้ตัดคำในประโยคนั้นแล้ว เอนจินที่คืนรูปที่สองส่งโจทย์นั้นมาให้คุณ และการแก้ทีหลังแปลว่าต้องรันตัวตัดคำบนบทถอด แล้วจับผลของมันกลับไปแมปกับเวลาระดับตัวอักษร

2. แบบการเขียนตัวเลขที่ระบุได้#

ผู้พูดพูดตัวเลขออกมา บทถอดเขียนมันตามที่พูดก็ได้ หรือเขียนแบบที่เอกสารพิมพ์ก็ได้ และสองอย่างนี้เป็นข้อความคนละสตริง ดัชนีค้นหาต้องการแบบหนึ่ง ไฟล์คำบรรยายต้องการอีกแบบ ส่วนระบบเคลมต้องการดิจิตที่แยกวิเคราะห์ได้ ตรวจดูว่าเอนจินให้เลือกไหม หรือเลือกให้คุณแล้วปล่อยงานแปลงรูปไว้ให้คุณทำเอง

ทดสอบด้วยไฟล์ที่มีทั้งราคา วันที่ เบอร์โทร และเปอร์เซ็นต์อยู่ในนาทีเดียวกัน นั่นคือประโยคไทยธรรมดาหนึ่งประโยคในคอลเซ็นเตอร์ และมันไล่ทุกกฎพร้อมกันทีเดียว

3. ภาษาไทยที่พลิกเป็นอังกฤษ#

คนไทยเรียกชื่อสินค้า ศัพท์เทคนิค และแบรนด์เป็นภาษาอังกฤษกลางประโยคโดยไม่หยุดพัก ส่งไฟล์ที่ทำแบบนี้แล้วอ่านบรรทัดที่ได้กลับมา มองหาความล้มเหลวสามแบบ คือคำอังกฤษถูกถอดเป็นอักษรไทย ภาษาไทยรอบข้างหายไป และช่วงเวลาของคำเสียวินาทีตรงจุดสลับภาษา

4. ช่วงผู้พูด ถ้าคุณต้องใช้#

สองคนในสายโทรศัพท์ หรือสี่คนในห้องประชุม ตรวจว่าช่วงถูกนับหมายเลขอย่างสม่ำเสมอ คนที่กลับมาพูดหลังเงียบไปนานยังได้หมายเลขเดิม และดูว่าช่วงเวลาของคำเป็นอย่างไรเมื่อเปิดทั้งผู้พูดและไทม์สแตมป์ ตรวจเพดานความยาวด้วย เพราะการทำเครื่องหมายว่าใครพูดช่วงไหนต้องอ่านไฟล์ทั้งไฟล์ และงานนั้นมักมีเพดานสั้นกว่าการถอดเสียงธรรมดา

5. ชื่อเฉพาะของคุณเอง#

ทุกผลิตภัณฑ์มีคำที่โมเดลทั่วไปไม่เคยได้ยิน ทั้งรหัสอะไหล่ ชื่อสถานที่ และแบรนด์ที่สะกดแบบเฉพาะ ตรวจว่าเอนจินรับรายการคำศัพท์ไหม รับได้กี่คำ และการสะกดคงเดิมข้ามคำขอหรือเปล่า รายการ 50 คำครอบคลุมคลังคำที่ใช้งานจริงได้เกือบทั้งหมด ส่วนรายการที่ตัดทิ้งเงียบ ๆ ครอบคลุมอะไรอย่างคาดเดาได้เลย

6. เพดาน ก่อนจะลงมือสร้าง#

ความยาวต่อคำขอ ขนาดไบต์ต่อไฟล์ และคอนเทนเนอร์ที่รับ สามอย่างนี้กำหนดรูปร่างไปป์ไลน์ของคุณมากกว่าความแม่นยำ เอนจินที่รับหนึ่งชั่วโมงในหนึ่งคำขอ กับตัวที่รับสิบนาที คือการเชื่อมระบบคนละแบบ และการมารู้ทีหลังตอนเขียนโค้ดเสร็จแล้วมีราคาแพง

ตรวจด้วยว่ารูปแบบไฟล์ถูกอ่านจากตัวไบต์ หรือให้คุณประกาศเอง ถ้าต้องประกาศเอง ทุกเส้นทางอัปโหลดในผลิตภัณฑ์ของคุณต้องตรวจและติดป้ายไฟล์ให้ถูกก่อนส่งได้

7. ความล้มเหลวมีราคาเท่าไร#

ส่งไฟล์เสีย ไฟล์เงียบ และไฟล์ที่ยาวเกินเพดาน การปฏิเสธก่อนตัดเครดิตคือพฤติกรรมที่คุณต้องการ พร้อมรหัสที่บอกว่าเกิดกรณีใดในสามกรณี จากนั้นตรวจว่าความล้มเหลวหลังตัดเครดิตเป็นอย่างไร เอนจินที่คิดเงินกับคำขอที่ทำไม่สำเร็จ จะเปลี่ยนทุกการอัปโหลดที่ผิดพลาด ในผลิตภัณฑ์ของคุณ ให้กลายเป็นเงินที่หายไปทีละนิด

แล้วค่อยวัดความแม่นยำ#

เมื่อตอบเจ็ดข้อแล้ว ค่อยให้คะแนนตัวเลือกที่เหลือ ให้คะแนนเป็นตัวอักษร บนบทอ้างอิงของคุณเอง พร้อมเขียนกฎการทำให้เป็นมาตรฐานไว้ บทความเรื่องความแม่นยำอธิบายวิธี และสรุปสั้น ๆ คือตัวเลขที่ไม่มีใครทำซ้ำได้ยังไม่นับเป็นตัวเลข

เราตอบเจ็ดข้อนี้อย่างไร#

Paxa STT Lite ตอบเจ็ดข้อดังนี้ ช่วงเวลาครอบคลุมคำไทยทั้งคำ เลือกแบบพูดหรือแบบเขียนได้ตามที่ขอ ภาษาไทยและอังกฤษอยู่ในบรรทัดเดียวกัน ช่วงผู้พูดสำหรับไฟล์ที่สั้นกว่า มีรายการคำศัพท์ รับไฟล์ยาวได้ถึง 60 นาทีโดยอ่านคอนเทนเนอร์จากตัวไบต์ และไม่คิดเงินกับคำขอที่ล้มเหลว ส่วนตัวเลขความแม่นยำจะยังไม่เผยแพร่จนกว่าจะเผยแพร่วิธีวัดไว้ข้างกัน

ขั้นต่อไป#