Deepgram թե AssemblyAI․ էժան հոսքը պարտադիր չէ ավելի ճշգրիտ լինել

21 հոկտեմբերի, 2026 թ., 02:00|Հեղինակ: QUASA-ի խմբագրական թիմ|5 րոպե ընթերցանություն

Անգլերեն կենդանի խոսքի համար AssemblyAI-ի Universal-Streaming-ը ժամային հիմնական գնով ավելի էժան է, քան Deepgram Nova-3-ը։ Սակայն էժան տարբերակի ճշտությունը չի կարելի եզրակացնել այլ մոդելի փորձարկումից։ Հայերեն ծառայության դեպքում առաջին հարցը համապատասխան մոդելի լեզվական աջակցությունն է, հետո՝ սեփական ձայնագրությունների սխալներն ու իրական վճարը։

Նախապես ձայնագրված խոսքի անկախ չափումները օգտակար են այդ ընտրության մի մասի համար. դրանք ցույց են տալիս, թե երկու մոդելն ինչպես են աշխատել նույն անգլերեն ֆայլերով։ Ձայնային գործակալի ընտրության համար դրան պետք է ավելացնել պատասխանի ուշացումը, կարճ արտահայտությունների ճանաչումը և հոսքային կապի բաց մնալու ժամանակը։

Նույն ժամով հաշված սակագները

Deepgram-ի սակագնացուցակում Nova-3 Monolingual-ի հոսքային ընթացիկ գինը $0.0048 է րոպեում, սովորականը՝ $0.0077, իսկ նախապես ձայնագրված խոսքինը՝ $0.0043։ Ընթացիկ հոսքային գինը ժամում $0.288 է, ֆայլերի մշակմանը՝ $0.258։ Հոսքային սակագինը գովազդային է, հետևաբար երկարաժամկետ բյուջեում դրա պահպանումը պետք չէ ենթադրել։

AssemblyAI-ի հրապարակված գներով Universal-Streaming English-ը և Universal-Streaming Multilingual-ը ժամում $0.15 են, Universal-3.6 Pro Realtime-ը՝ $0.45, նախապես ձայնագրված խոսքի Universal-3.5 Pro-ն՝ $0.21, իսկ Universal-2-ը՝ $0.15։ Էժան բազմալեզու հոսքային տարբերակը սահմանափակված է անգլերենով, իսպաներենով, գերմաներենով, ֆրանսերենով, պորտուգալերենով և իտալերենով։ Այս գները վերաբերում են տարբեր մոդելների. Universal-Streaming-ի վճարը չի նկարագրում Pro մոդելի աշխատանքը։

Ստորև պայմանական հաշվարկն է՝ նույն ժամային միավորով և առանց հավելյալ գործառույթների, պայմանագրային զեղչերի կամ անվճար կրեդիտների։ Հոսքային տողերում ենթադրվում է, որ վճարվող նիստերի գումարային տևողությունը հավասար է նշված ժամաքանակին, իսկ ֆայլերի տողերում՝ ձայնագրությունների գումարային տևողությունը։

100 ժամ․ հոսքում AssemblyAI Universal-Streaming՝ $15, Deepgram Nova-3՝ $28.80, AssemblyAI Universal-3.6 Pro Realtime՝ $45։ Ֆայլերի դեպքում Universal-2՝ $15, Universal-3.5 Pro՝ $21, Nova-3՝ $25.80։
1,000 ժամ․ նույն հոսքային հերթականությամբ՝ $150, $288 և $450։ Ֆայլերի դեպքում՝ $150, $210 և $258։
10,000 ժամ․ հոսքում՝ $1,500, $2,880 և $4,500։ Ֆայլերի դեպքում՝ $1,500, $2,100 և $2,580։

Այս թվերը ցույց են տալիս հիմնական ծառայության ծախսը, այլ ոչ ամբողջ արտադրական հաշիվը։ Խոսողների տարանջատումը, հատուկ բառապաշարի հուշումները կամ անձնական տվյալների հեռացումը կարող են առանձին սակագին ունենալ, ընդ որում նույն հնարավորությունը մի մոդելում կարող է ներառված լինել, մյուսում՝ վճարովի։ Հետևաբար ծավալների տարբերությունը գնահատելիս պետք է համեմատել հենց այն կարգավորումները, որոնք գործարկվելու են ծառայության մեջ։

Ինչու բաց կապի ժամանակը փոխում է հաշիվը

AssemblyAI-ի մոդելների փաստաթղթերում հոսքային վճարման միավորը WebSocket նիստի տևողությունն է՝ կապի բացվելուց մինչև փակվելը, ոչ միայն ուղարկված ձայնի տևողությունը։ Նույն փաստաթղթերը Universal-3.5 Pro Streaming-ի համար նկարագրում են լեզուների միջև անցում, իսկ նախապես ձայնագրված խոսքի Universal-3.5 Pro-ից չսպասարկվող լեզուների համար՝ անցում Universal-2-ին։ Մոդելի ընտրությունն ու վճարվող ժամանակը, հետևաբար, առանձին հարցեր են։

Պայմանականորեն, եթե Universal-Streaming-ի նիստը բաց է մեկ ժամ, բայց խոսք է ուղարկվում միայն 40 րոպե, հիմնական $0.15 ժամային սակագնով վճարը $0.15 է, ոչ թե $0.10։ Հինգ ցենտ տարբերությունը փոքր է մեկ կապի համար, սակայն բազմաթիվ երկար բաց մնացող նիստերի դեպքում նույն մեխանիզմը մեծացնում է ընդհանուր հաշիվը։ Միաժամանակ բաց կապերի ժամանակները նույնպես գումարվում են. դրանցից յուրաքանչյուրն ունի իր տևողությունը։

Ձայնային գործակալի դեպքում կապը բաց պահելը թույլ է տալիս ընդունել հաջորդ խոսքը առանց նոր միացման, սակայն վճարվող ժամանակի մեջ է մտնում նաև դադարը։ Յուրաքանչյուր դադարից հետո կապը փակելը կարող է նվազեցնել այդ ժամանակը, բայց նոր միացման և խոսքի ավարտը ճանաչելու վարքը պետք է գնահատել հենց գործակալի աշխատանքի ընթացքում։ Միայն օգտատիրոջ խոսած րոպեներով կազմված կանխատեսումը չի նկարագրի նման սցենարի հաշիվը։

Ինչ են ցույց տալիս անկախ WER չափումները

Verli-ի բաց համեմատության մեջ AssemblyAI Universal-3.5-ի և Deepgram Nova-3-ի բառային սխալի բաժինը՝ WER-ը, մաքուր անգլերեն LibriSpeech խոսքի համար համապատասխանաբար 1.55% և 2.50% է, իսկ ֆինանսական զանգերի Earnings-22 հավաքածուում՝ 10.43% և 16.13%։ Մոդելները գնահատվել են նույն ձայնով և նույն հաշվարկման եղանակով։ Համեմատությունը վերաբերում է այդ ֆայլերին ու մոդելներին, ոչ թե AssemblyAI-ի $0.15 արժողությամբ Universal-Streaming-ին։

WER-ը հաշվում է բաց թողնված, փոխարինված և ավելացված բառերը՝ արդյունքը համեմատելով ստուգված սղագրության հետ։ Երկու հավաքածուներում էլ AssemblyAI-ի փորձարկված մոդելն ավելի ցածր WER ունի, բայց ֆինանսական զանգերի թվերը զգալիորեն բարձր են մաքուր ընթերցված խոսքի թվերից։ Այդ փոփոխությունը կարևոր է գնից անկախ. աղմուկը, խոսողների հերթափոխը, ձայնագրման միջոցը և մասնագիտական բառապաշարը կարող են փոխել սխալների պատկերը։

Ֆայլի վերջնական սղագրության WER-ը նաև ձայնային գործակալի արձագանքման ժամանակը չէ։ Գործակալը պետք է հասկանա կարճ «այո»-ն կամ «ոչ»-ը, անունը, հասցեն կամ հաստատման համարը այնքան շուտ, որ հաջորդ գործողությունը տեղին լինի։ Նույն ընդհանուր WER ունեցող համակարգերը կարող են տարբեր կերպ սխալվել հենց այդ բառերում կամ տարբեր պահին վերադարձնել վերջնական տեքստը։ Ուստի ֆայլային առավելությունը հիմնավորում է մոդելը փորձարկելու որոշումը, բայց չի որոշում կենդանի զրույցի հաղթողին։

Հայերենում լեզվի աջակցությունը փոխում է համեմատությունը

Deepgram-ի Nova-3 լեզուների ցանկում հայերենը նշված է «hy» կոդով։ Դա մոդելը դարձնում է հայերեն խոսքի փորձարկման թեկնածու, սակայն չի ասում, թե որքան ճիշտ կճանաչի Հայաստանի հեռախոսային զանգը, տարբեր արտասանությունները կամ հայերենին խառնված ռուսերեն բառերը։ Լեզվի առկայությունը հնարավորության մասին փաստ է, իսկ ճշտությունը՝ առանձին չափման հարց։

AssemblyAI-ի ամենաէժան հոսքային տարբերակների նշված լեզուներում հայերեն չկա։ Նախապես ձայնագրված խոսքի Universal-3.5 Pro-ի և դրա հնարավոր անցման Universal-2-ին արդյունքները նույնպես պետք է տարբերակել. մեկ մոդելի անգլերեն WER-ը չի կարելի վերագրել այն ֆայլին, որը մշակվել է մյուսով։ Այս պատճառով անգլերեն հոսքի գնային առավելությունը հայերեն ծառայության համար պատրաստի առաջարկ չէ։

Հայերեն ճշտությունը գնահատելու համար համեմատելի մուտքը սեփական կիրառության ձայնն է՝ նույն ֆայլերը, նույն ստուգված սղագրությունն ու նույն տեքստի մշակման կանոնները երկու թեկնածուների համար։ Օրինակ՝ եթե ծառայությունը մշակելու է զանգեր, մաքուր ստուդիական ձայնով արդյունքը կարող է բաց թողնել կապի աղմուկը, ընդհատումները և հաճախ հանդիպող անունները։ Ընդհանուր WER-ի կողքին արժե առանձին դիտել այն բառերը, որոնց սխալը փոխում է գործակալի գործողությունը։

Որ ընտրությունն է համապատասխանում խնդրին

Անգլերեն կենդանի խոսքի և խիստ բյուջեի դեպքում AssemblyAI Universal-Streaming-ը ցածր հիմնական գնով մեկնակետ է, եթե դրա որակը բավարարում է տվյալ ձայնին։ Հայերեն կենդանի խոսքի համար Deepgram Nova-3-ն ունի փաստաթղթավորված լեզվական աջակցություն, բայց դրա ճշտությունն ու ուշացումը պետք է չափել նախատեսվող զանգերով։ Նախապես ձայնագրված անգլերեն ֆայլերի համար AssemblyAI Universal-3.5 Pro-ի անկախ WER արդյունքը և ժամային գինը առանձին, հիմնավոր համեմատության հիմք են։

Վերջնական հաշվարկում վճարվող հոսքային նիստերի ժամանակը պետք է համադրվի ճանաչման սխալների և գործակալի արձագանքի հետ։ Այդ չափումները կարող են տարբեր ընտրության բերել նույն թիմին՝ կախված նրանից՝ մշակվում են պատրաստի անգլերեն ֆայլեր, անգլերեն կենդանի խոսք, թե հայերեն զանգեր։

Կարդացեք նաև:

Կիսվել: