Whisper a Deepgram pro češtinu: přesnost a živý přepis

Pro české nahrávky, které mají zůstat ve vlastní infrastruktuře, je vhodným výchozím kandidátem Whisper. Pro živého hlasového agenta je praktičtější Deepgram: jeho nabídka českého přepisu zahrnuje průběžné zpracování, rozlišení mluvčích a podporu zadaných odborných výrazů. Tyto funkce však samy neříkají, který systém udělá méně chyb na konkrétních českých hovorech.

Rozhodnutí stojí na odlišných způsobech nasazení. Otevřený repozitář Whisperu umožňuje vlastní provoz modelu; jeho základní metoda přepisu načte celý soubor a zpracovává jej v posuvných oknech dlouhých 30 sekund. Deepgram nabízí API pro hotové nahrávky i přicházející zvuk. U dokončeného souboru může být hlavním kritériem výsledný text, zatímco během hovoru záleží také na tom, kdy se text objeví a zda s ním aplikace už může pracovat.

Proč rychlý model nemusí znamenat rychlou odpověď

U dávkového přepisu lze zpracovat celou nahrávku, zkontrolovat výsledek a až potom jej předat člověku nebo dalšímu systému. Vlastní provoz Whisperu se hodí tam, kde je důležitá kontrola nad audiem a kde je k dispozici výpočetní kapacita. Volba velikosti modelu i hardwaru ovlivní dobu zpracování; pro zadání, v němž nikdo nečeká na odpověď během hovoru, může být delší výpočet přijatelný.

Živý hlasový agent potřebuje použitelná slova dřív, než volající domluví celou konverzaci. Musí zároveň poznat konec promluvy: příliš brzká reakce člověka přeruší, příliš pozdní vytvoří nepřirozenou pauzu. Deepgram poskytuje průběžný přepis a segmentaci promluv jako součást nabídky pro češtinu. Whisper lze zapojit do aplikace, která zvuk průběžně dělí a opakovaně rozpoznává, ale výsledná odezva pak patří celé této sestavě, ne samotnému modelu.

Pro hlasového agenta proto nestačí změřit, jak rychle se přepíše uložený soubor. Do čekání vstupuje přenos telefonního zvuku, určení hranice promluvy, případné opravy průběžného textu a předání výsledku navazující logice. Rozhodující je okamžik, kdy agent může bezpečně odpovědět, nikoli jen čas, za který rozpoznávač vrátí první slovo.

Co skutečně říkají čísla o přesnosti

WER vyjadřuje podíl zaměněných, vynechaných a vložených slov vůči referenčnímu přepisu. Výsledek závisí na povaze nahrávek, pravidlech pro zápis a konkrétní konfiguraci rozpoznávání. Reprodukovatelný benchmark Verli měří systémy na stejných anglických souborech a u Deepgram Nova-3 uvádí WER 2,50 % pro čistě čtenou řeč LibriSpeech a 16,13 % pro nahrávky Earnings-22. Součástí metodiky jsou zveřejněné přepisy, intervaly spolehlivosti a samostatná měření ceny a latence.

Rozdíl mezi uvedenými sadami ukazuje, proč jedno pořadí nestačí pro telefonáty, porady a diktáty současně. Benchmark navíc spouští rodinu Whisperu prostřednictvím WhisperKitu, takže jeho výsledky nelze bez dalšího připsat každé implementaci Whisperu. Obě uvedené hodnoty Deepgramu se týkají angličtiny; pro výběr na české hovory z nich nevzniká český WER.

České měření UWebASR Západočeské univerzity uvádí na použité směsi dat WER 19,78 % pro Whisper-large-v3 a 7,32 % pro adaptovaný Zipformer. Adaptace modelu i složení sady jsou podstatné pro výklad výsledku. V tomto srovnání není Deepgram, a proto z něj nelze vyhlásit vítěze dvojice Whisper a Deepgram ani předpovědět chybovost na hovorech konkrétního call centra.

Mluvčí a odborné výrazy mění hodnotu přepisu

V záznamu hovoru může být správné slovo málo platné, pokud je přiřazeno nesprávnému mluvčímu. Diarizace řeší právě přiřazení úseků řeči jednotlivým hlasům; interpunkce nebo časové značky tento úkol nenahrazují. Deepgram nabízí pro češtinu diarizaci i členění promluv, zatímco při použití základního Whisperu je třeba přiřazení mluvčích řešit další komponentou. Ta přidává vlastní chyby, nároky na provoz a případně i zpoždění.

Podobně záleží na slovech, která jsou pro provoz důležitější než průměrný výsledek. Chybně rozpoznaný název služby může znehodnotit jinak čitelný zápis hovoru. Deepgram umožňuje zadat výrazy, jejichž rozpoznání má systém podpořit; účinek je rozumné hodnotit na skutečných názvech a výslovnosti, nikoli předpokládat, že samotné zadání termínu chybu odstraní. Vedle celkového WER má proto smysl sledovat i správnost klíčových slov a přiřazení replik.

Soukromí určuje nasazení, ne název modelu

Whisper spuštěný lokálně může zpracovat zvuk bez odeslání do externího přepisového API. Kontrola nad daty však závisí na celé aplikaci: kde zůstává původní nahrávka, kam se ukládá text a kdo má přístup k zálohám či provozním záznamům. Vlastní provoz také znamená zajistit kapacitu, aktualizace a dostupnost služby.

Deepgram používá hostované API, ale jeho možnosti nasazení zahrnují pro zákazníky tarifu Premium také provoz ve vlastní cloudové instanci nebo datovém centru. Umístění dat proto nelze odvodit jen ze jména dodavatele. U citlivého audia je nutné posoudit konkrétní variantu, cestu zvuku a přepisu i dostupnost požadované české funkce v této variantě; s vlastním nasazením přechází část odpovědnosti za infrastrukturu na zákazníka.

Volba pro jednotlivé české scénáře

Hotové nahrávky: Whisper je silný kandidát, pokud má audio zůstat ve vlastní infrastruktuře a organizace zvládne provoz modelu. Deepgram může zjednodušit integraci, pokud vyhovuje zvolený způsob nasazení a jsou potřebné další funkce přepisu.
Živý hlasový agent: Deepgram je přímější výchozí volba díky průběžnému českému přepisu a členění promluv. U Whisperu se posuzuje také sestava pro příjem, dělení a stabilizaci živého zvuku.
Citlivé audio: porovnávejte místní provoz Whisperu s konkrétní dostupnou variantou nasazení Deepgramu. Stejnou pozornost věnujte ukládání přepisu jako přenosu nahrávky.
Hovory s více mluvčími: vedle přesnosti slov rozhoduje přiřazení replik a rozpoznání názvů, které mají v daném provozu význam.

Vlastní vzorek dá srovnatelné rozhodnutí

Pro přímé porovnání použijte stejné české nahrávky a stejný ručně zkontrolovaný referenční přepis pro obě řešení. Vzorek má odpovídat zamýšlenému provozu: telefonní linka, tichý diktát a překrývající se řeč představují odlišné úlohy. Výsledky je užitečné vyhodnotit po skupinách, protože dobrý celkový průměr může zakrýt slabý výkon právě u nejdůležitějšího typu hovoru.

Předem sjednoťte zápis čísel, zkratek, výplňových slov a interpunkce. Bez stejných pravidel může WER měřit rozdíl v zápisu místo rozdílu v rozpoznání řeči.
Uložte přesnou verzi modelu, jeho nastavení, volbu jazyka, způsob dělení zvuku a případné zadané termíny. Výsledek pak patří ověřené konfiguraci, nikoli celé značce.
Vedle WER sledujte klíčové názvy, přiřazení mluvčích a nahrávky bez použitelného výsledku. U živého provozu měřte zvlášť čas do průběžného textu a do výsledku, na který už může agent reagovat.
Srovnejte náklady celého řešení: volání API nebo vlastní výpočet, správu infrastruktury a další potřebné komponenty. Stejný vítěz nemusí vyjít pro dávkové soubory a pro živý hovor.

Pokud má být výsledkem čitelný zápis hotové nahrávky, může rozhodnout přesnost na českém vzorku spolu s kontrolou nad daty. V hlasovém agentovi může mít větší cenu včasné a spolehlivé přiřazení promluvy, i kdyby finální text obsahoval o něco více běžných slovních chyb. To je rozdíl, který samotný globální žebříček WER nezachytí.

Přečtěte si také: