Litteraworks merenja tačnosti
Platforma za obuku i procenu prepoznavanja govora
Merite, upoređujte i poboljšavajte tačnost transkripcije na više od 40 jezika, uz standardne metrike u industriji. Naša platforma nudi transparentna merenja koja vam pomažu da izaberete model prepoznavanja govora koji vam najviše odgovara.
Podaci o tačnosti u realnom vremenu
Tačnost po jeziku
Kliknite na red bilo kog jezika za detaljno upoređivanje modela i analizu grešaka.
Učitavanje podataka o tačnosti...
| Jezik | Najbolja tačnost | Režim transkripcije | Uzorci | Poslednje testiranje |
|---|
Saznajte više
Kako se čitaju metrike
Jednostavan vodič kroz metrike koje koristimo za procenu.
WER (stopa greške na nivou reči)
Procenat reči koje su pogrešno transkribovane. Računa se upoređivanjem transkribovanog teksta sa referentnim tekstom i brojanjem zamena, dodavanja i izostavljanja na nivou reči.
WER = (zamene + dodavanja + izostavljanja) / ukupno reči x 100
Manji WER je bolji. WER od 5% znači da 5 od svakih 100 reči sadrži grešku.
CER (stopa greške na nivou znaka)
Slično WER-u, ali meri greške na nivou znaka, a ne reči. Ova metrika je posebno korisna za jezike bez jasnih granica između reči i za otkrivanje manjih pravopisnih grešaka.
CER = (zamene znakova + dodavanja + izostavljanja) / ukupno znakova x 100
Manji CER je bolji. CER je obično niži od WER-a jer greška u jednoj reči može da pogodi samo nekoliko znakova.
Tačnost
Obrnuto od WER-a — procenat reči koje su ispravno transkribovane. Daje intuitivnu meru kvaliteta transkripcije.
Tačnost = 100% - WER
Veća tačnost je bolja. Tačnost od 95% znači da je 95 od svakih 100 reči ispravno.
Ocena posle dorade
Posle prve transkripcije primenjujemo AI doradu teksta koja ispravlja uobičajene greške u transkripciji, poboljšava interpunkciju i uklanja očigledne omaške. Ocena posle dorade prikazuje tačnost nakon tog koraka.
Dorađeno uz AI poboljšanje teksta
Ocena posle dorade pokazuje koliko AI dorada može da poboljša kvalitet sirove transkripcije.
Vrste grešaka, objašnjene
Zamene
Jedna reč je zamenjena drugom. Primer: „mačka“ transkribovano kao „mašina“.
Dodavanja
Dodata je reč koje nije bilo u originalnom zvuku. Primer: „mačka“ transkribovano kao „velika mačka“.
Izostavljanja
Reč iz originalnog zvuka nije se pojavila u transkripciji. Primer: „velika mačka“ transkribovano kao „mačka“.
Želite da procenite sopstvene modele?
Dobijte pristup našoj platformi za merenje i uporedite svoje modele prepoznavanja govora sa standardima industrije. Kontaktirajte nas da saznate više o našim Enterprise rešenjima za procenu.