Atkārtojams korpuss
Publiski licencēta runa un piekritis skripti, izmantojot tās pašas audio daļas, kur tas ir atbalstīts, lai izolētu atpazīšanu un pēcapstrādi.
Metodoloģija · versija 0.1.0
Noteikumi nāk pirms rezultātiem.
Priekšreģistrācijas stila protokols, lai pozitīvos un negatīvos rezultātus padarītu vienlīdz pārbaudāmus. Pašreizējā versija joprojām ir pilots; šie noteikumi nosaka vārtus nākotnes etalonam.
01 · Sistēmas definīcija
Produkta nosaukums nav testa nosacījums.
Katrs sistēmas elements ir kopa: publiskā produkta versija, operētājsistēmas versija, dzinēja vai modeļa izmaiņas, iestatījumi, kas ietekmē atpazīšanu un tīrīšanu, ierīces klase un sagūstīšanas ceļš. Rezultāti no dažādām kopām nekad netiek klusējot apvienoti.
Ja produkts nevar pieņemt to pašu audio ceļu, tas tiek ziņots atsevišķā slānī. Tieša mikrofonu uztveršana netiek uzrādīta kā tieši salīdzināma ar faila atskaņošanu.
| Platforma | Bāzes klase | Pašreizējā klase | Mērķis |
|---|---|---|---|
| macOS | Ieraksts Apple Silicon | Pašreizējais Apple Silicon | Vietējais darbvirsmas diapazons |
| Windows | Galvenais x86 klēpjdators | Pašreizējais augstas veiktspējas portatīvais dators | CPU un GPU svārstības |
| Android | Atbalstīta vidējās klases ierīce | Pašreizējais flagmanis | Mobilā variācija |
02 · Trīs posmi
Laboratorijas atkārtojamība, tad reālā ierīces realitāte.
Īsta ierīces uztveršana
Kalibrēta atskaņošana caur dokumentētām telpām un mikrofonu, lai atklātu trokšņu slāpēšanu, iepriekšējo sagatavošanos, klusuma vārtiņus un astes iztukšošanas uzvedību.
Dabiska diktēšana
Jauni piekritušie runātāji lasa iepriekš reģistrētus uzvedņus. Privātie atbalsta ieraksti nekad netiek iekļauti publiskajā korpusā.
Redzami slāņi
Valoda, reģionālā daudzveidība, ilgums, troksnis, istabas apstākļi, vārdi, skaitļi, tehniskie termini, pauzes un runātās labojumi.
03 · Galvenie rādītāji
WER ir sākums, ne visa stāsta vēstījums.
Word kļūdu īpatsvars tiek aprēķināts kā aizstāšanas plus ievietošanas plus svītrojumi, kas dalīti ar atsauces vārdiem. Pētījumā arī tiek ziņots par katru darbību atsevišķi, jo viens raits transkripts var paslēpt trūkstošo frāzi.
Kopējie līmeņi ir micro-word-weighted: operāciju skaits un atsauces vārdi tiek summēti pirms likmes aprēķināšanas. Latency publicē paraugu skaitu, vidējo, p95 un maksimumu. Pabeigtajam pilotam ir jaukts termiskais stāvoklis; kontrolētas aukstās un siltās darbības un tiešā lietotāja interfeisa piegāde joprojām ir nākotnes mērījumi.
Apstrādes laiks ietver atpazīšanu, cauruļvada pabeigšanu un vietējo tīrīšanu, kad tas ir iespējots. Tas neietver sākotnējo izpildes laika izveidi, armatūras ielādi, tiešraides ierakstīšanu, saīsnes nosūtīšanu un kursora ievietošanu. Visas joslas novērtē galīgo vērtētāja rezultātu; tīrīšanas joslas joprojām var piemērot vārdu krājuma un formatējuma izmaiņas.
Latency izmanto 60 vienādi svērtus dekodēšanas paraugus katrā joslā un R-7 lineārās kvantiles. 20 spēles satur 491 atsauces vārda pozīciju vienā piegājienā, kas skaitītas trīs reizes 1473 vārdu saucējā. Atkārtojumi nav neatkarīgi izteikumi. Kvalitātes sliekšņa kļūmes joprojām ir iekļautas: 3 ar ieslēgtu Core ML tīrīšanu, 3 ar Core ML attīrīšanu un 6 ar Whisper.
Interpretācija labota 2026. gada 6. septembrī. Oriģinālie numuri nav mainīti. Izlasiet pierādījumu auditu, ārējās atsauces, atlikušos ierobežojumus un reproducēšanas instrukcijas.
Tīkla novērošana
Protokols reģistrē, vai darba process pēc iestatīšanas tiek pabeigts bezsaistē, novērotos galamērķus un baitus, kā arī to, vai no ierīces ir novēroti audio vai teksta dati. Paketēšanas uztverei ir aklie punkti, tāpēc aizstāvams paziņojums ir “šajā testā netika novēroti audio/teksta dati.” Nekad neapgalvo “nekas nekad neiziet”.
04 · Publicēšanas vārti
Nav līderu saraksta, līdz katrs vārti tiek izieta.
Metode iesaldēta pirmāVersija un analīzes komits ierakstīts pirms atsauces datu vākšanas.
Korpuss piespraustsNemaināmi labojumi un SHA-256 kopsavilkumi katram avota un ģenerētajam failam.
Pārskatītās atsaucesDivu personu atsauces pārskats un viena normalizācijas politika katrai sistēmai.
Ievades salīdzināmasTās pašas baitu vērtības vai īpašs, atsevišķi tiek ziņots uztveršanas slānis.
Izcelsme pabeigtaProdukts, modelis, ierīce, iestatījumi, enerģijas stāvoklis un uzņemšanas ceļš ir ierakstīti.
Neizdevušies mēģinājumi saglabātiPārtraukumi un pazudušie transkripti paliek saucējā.
Darbības saskaņoAizvietojumi, ievietojumi un dzēšanas pievieno rediģēšanas attālumu.
Privātuma pārskatsSanitizētāja caurlaides un cilvēks pārbauda publiskā artefakta robežu.
Atklāts konfliktsYaps autorība, izslēgumi, novirzes un ierobežojumi paliek izteikti.
Dati tiek piegādāti ar prasībāmAttīrītās rindas, kopsummas, manifesti un labojumu kanāla publicēšana vienlaikus.
05 · Zināmie ierobežojumi
Ko šis protokols joprojām nevar redzēt.
Pašreizējā sistēma galvenokārt testē transkripcijas plūsmu pēc ieraksta. Tā nepilnībā atskaņo iekārtu audio caur tiešraides mikrofona komplektu, tāpēc ieraksta sagriešana, trokšņu noņemšanas artefakti, priekšā ieskrējiens, klusuma sliekšņi un signāla nosusināšana prasa B fāzes instrumentāciju.
Tīkla novērošana nevar pierādīt šifrēta satura neesamību vai prognozēt nākotnes uzvedību. Publisks korpuss nevar reprezentēt visus akcentus, invaliditātes, mikrofonus, telpas vai spontāno runas stilu. Katrs rezultāts ir saistīts ar konkrētu versiju un datumu.