Whisper vagy Azure Speech magyarul: a nyelv fontosabb, mint a márka

Rögzített magyar interjúk és hangarchívumok átírásához a helyben futtatható Whisper jó kiindulópont. Ha beszéd közben kell megjelennie a szövegnek, az Azure Speech kész valós idejű szolgáltatása lehet célszerűbb. Egyik választás sem jelent önmagában pontosabb magyar átiratot: ezt az adott felvételek és a kívánt végeredmény döntik el.

A fájlátírás, az élő diktálás és az érzékeny hanganyag kezelése eltérő követelmény. A felismerési pontosság mellett számít a késleltetés, a beszélők elkülönítése, az üzemeltetési munka és az is, merre halad a hang az átirat elkészültéig. Ezeket érdemes külön mérlegelni, mert egy jó szóhibaarány nem pótolja a hiányzó munkafolyamatot.

Mit mondanak a magyar pontossági mérések?

A szóhibaarány, röviden WER, a kihagyott, tévesen felismert és fölöslegesen beszúrt szavakat veti össze egy referenciaátirattal; az alacsonyabb érték jobb. A Nyugat-csehországi Egyetem UWebASR-értékelésében a Whisper-large-v3 magyar szóhibaaránya 30,92%, a magyar általános beszédre készített Zipformer modellé 16,35% volt. A közölt eredmény több területről származó, hozzáférhető beszédadatok keverékén alapul, nem egy magyar interjúkra szabott próbán.

Ez a mérés nem Whisper–Azure-verseny: Azure Speech eredmény nem szerepel benne. Azt viszont megmutatja, miért kockázatos egy általános többnyelvű modell hírnevéből magyar pontossági győzelmet levezetni. A feladathoz igazított magyar modell az adott tesztanyagon lényegesen jobb eredményt ért el; más hangminőség, témakör és beszédstílus mellett az arány változhat.

A WER önmagában a szerkesztési munkát sem írja le teljesen. Egy téves tulajdonnév vagy szakkifejezés ellenőrzése több időt vihet el, mint több jelentéktelen szó javítása. Az írásjelek, az időzítés és a beszélők jelölése külön is befolyásolják, hogy az átiratból használható interjúszöveg, felirat vagy jegyzőkönyv lesz-e. Magyar értekezletnél ezért a hibák helyét és a kész szöveg használhatóságát is nézni kell.

Mikor számít többet a kész szolgáltatás?

Az Azure Speech nyelvtámogatási táblázata a magyar beszédet hu-HU jelöléssel sorolja fel, és a gyors átírás támogatását is feltünteti. A dokumentáció külön kezeli a valós idejű, a gyors és a kötegelt átírást, valamint egyes további funkciók nyelvi elérhetőségét. A „magyarul támogatott” megjelölés tehát nem jelenti automatikusan, hogy minden kiegészítő funkció ugyanúgy működik magyar hangon.

Az Azure Speech funkcióleírása szerint a valós idejű átírás köztes eredményeket ad élő hangból, a gyors átírás fájlra ad szinkron választ, a kötegelt feldolgozás pedig sok előre rögzített felvételhez készült. A szolgáltatás beszélőszétválasztást és kifejezéslistát is kínál. Ezek olyan külön képességek, amelyek egy több beszélős jegyzőkönyvnél vagy szakterminológiát tartalmazó diktálásnál többet érhetnek, mint egy önmagában kedvező általános pontossági adat.

A Whisper fájlalapú munkafolyamatba illeszthető, de élő felirathoz a hang folyamatos adagolását, a részleges eredmények kezelését és a késleltetés mérését is meg kell oldani. Rögzített interjúnál ez a különbség kevésbé fontos: az átirat elkészülhet a felvétel után, és a szerkesztő később javíthatja. Élő diktálásnál viszont a későn megjelenő vagy utólag sokat változó szöveg közvetlenül rontja a használhatóságot.

Hol marad a hang és ki üzemelteti a rendszert?

A Whisper hivatalos modellkártyája többnyelvű átírást és önálló futtatást ír le, ugyanakkor egyenetlen nyelvi teljesítményre és el nem hangzott szöveg előállításának lehetőségére figyelmeztet. A saját környezetben futtatott modellnél az üzemeltető szabja meg a hang és az átirat tárolási útját. Cserébe neki kell biztosítania a számítási kapacitást, a hozzáférések védelmét, a feldolgozás felügyeletét és a hibás eredmények ellenőrzését.

A Microsoft adatkezelési leírása szerint az Azure valós idejű átírása a hangot a szolgáltatás memóriájában dolgozza fel, tartós tárolás nélkül. Kötegelt feldolgozásnál az ügyfél adja meg a bemeneti hang tárolási helyét; a kész átirat ügyféloldali vagy Microsoft által kezelt tárhelyre is kerülhet a beállítástól függően. A leírás saját környezetbe telepíthető Speech-konténereket is említ, de ezek nyelvi és funkcionális támogatását külön kell ellenőrizni.

Ha egy kutatási interjú hangja kizárólag az intézmény infrastruktúráján kezelhető, a helyi Whisper-futtatás kézenfekvő vizsgálati jelölt. Ha felhőszolgáltatás is megengedett, az Azure esetében a választott átírási mód, a régió, a tárhely és a törlési rend együtt határozza meg a tényleges adatútvonalat. Az adatkezelési döntés így nem intézhető el azzal, hogy a szolgáltatás európai régióban érhető el.

Melyik illik a feladathoz?

A következő szempontok kiindulópontot adnak a három gyakori magyar munkafolyamathoz. Mindhárom esetben külön kérdés a felismerés minősége és a rendszer működtetésének terhe.

• Rögzített interjú vagy hangarchívum: a Whisper akkor erős jelölt, ha a helyi feldolgozás fontos, és az átirat elkészülhet a felvétel után. Az Azure gyors vagy kötegelt útja akkor lehet kényelmesebb, ha a fájlok már felhős munkafolyamatba kerülnek. A döntő összevetés ugyanazokon a magyar felvételeken mérje a javítandó szavakat és a szerkesztési időt.
• Élő diktálás vagy felirat: az Azure kész valós idejű átírása csökkentheti a saját fejlesztési munkát. Whispert is lehet folyamatos hangra épített rendszerben használni, de a hang darabolását és a késleltetés kezelését az alkalmazásnak kell megoldania. Itt a köztes szöveg stabilitása legalább annyira számít, mint a végleges átirat.
• Érzékeny felvétel: ha a hang nem hagyhatja el a saját infrastruktúrát, először a helyi futtatás feltételeit kell tisztázni. Ha felhőben is feldolgozható, az Azure valós idejű és kötegelt módjának eltérő tárolási útját kell a követelményekhez illeszteni. A beszéd tartalmának emberi ellenőrzése mindkét megoldásnál szükséges lehet.

Milyen próba ad használható választ?

A két megoldásnak azonos magyar hanganyagot és azonos javítási szabályokat érdemes adni. A minta tükrözze a tényleges munkát: legyen benne tiszta interjú, több beszélős részlet, szaknyelv és olyan zaj, amely a valódi felvételeken is előfordul. Külön mérhető a szóhibaarány, a nevek javítása, a beszélőjelölés, a feldolgozási idő és az emberi utómunka.

Az eredményt feladatonként érdemes értelmezni. Egy archívum tömeges feldolgozásánál a tárolás és az üzemeltetés súlya nagyobb lehet; élő feliratnál a késleltetés azonnal látható. A magyar nyelvű próba éppen azért fontos, mert a közzétett pontosság, a szolgáltatás funkciói és a hang megengedett útja különböző kérdésekre válaszolnak.

Olvassa el ezt is:

• DeepL vagy Google Fordító: magyar szövegnél a feladat típusa dönt
• Deel vagy Remote: egy magyar dolgozónál a havi díj csak a kezdet
• n8n vagy Make: az önálló üzemeltetés ára nem csak a szerverdíj