صدانویس۵ دقیقه مطالعه
پیاده سازی فایل صوتی با هوش مصنوعی: دقتش روی فارسی چقدر است و کجا غلط میکند
پیاده سازی فایل صوتی با هوش مصنوعی روی فارسی عدد دقت ثابتی ندارد؛ هفت جایی که غلط میکند، چهار باور نادرست و روش حساب نرخ خطای کلمه روی فایل خودت.
متن فایل صوتی‌ات، با زمان هر جمله برای بازبینی
اولین فایلت: ۳ دقیقه اول رایگان به متن و خلاصه تبدیل می‌شه.
پیاده سازی فایل صوتی با هوش مصنوعی چقدر دقیق است؟
عدد ثابتی ندارد و هر سایتی که یک درصد قطعی برای فارسی می‌گوید، روی فایل خودش اندازه گرفته، نه فایل تو. خود OpenAI درباره Whisper، مدلی که صدانویس هم از خانواده‌اش استفاده میکند، نوشته دقتش «بسته به زبان خیلی فرق میکند». چیزی که بیشترین اثر را دارد خود صداست:
صدای تمیز، یک گوینده، نزدیک میکروفون ← متن خوانا که بیشتر باید نام‌ها و اصطلاح‌هایش را چک کنی
جلسه با چند نفر و صدای هم‌زمان ← جمله‌های جاافتاده؛ باید جاهای شلوغ را با گوش مرور کنی
صدای دور، پژواک، موسیقی یا لهجه غلیظ ← پیش‌نویس؛ بازبینی کامل لازم است
اگر نمی‌خواهی یک ساعت صدا را دستی تایپ کنی، صدانویس متن فارسی را با زمان هر جمله میدهد و با زدن روی هر جمله همان لحظه صدا پخش میشود تا جاهای مشکوک را سریع چک کنی.
افسانه یا واقعیت: ۴ باور درباره تبدیل فایل صوتی به متن فارسی با هوش مصنوعی
«هوش مصنوعی فقط چیزی را می‌نویسد که گفته شده.» افسانه. در کارت معرفی Whisper آمده که خروجی ممکن است متنی داشته باشد که «واقعاً در صدا گفته نشده»، و این توهم در زبان‌هایی که داده آموزشی کمتری دارند ممکن است بدتر باشد.
«لهجه فرقی نمی‌کند.» افسانه. همان کارت معرفی می‌گوید عملکرد روی لهجه‌ها و گویش‌های مختلف یک زبان یکسان نیست.
«اگر متن چند غلط دارد، به درد نمی‌خورد.» افسانه. پیش‌نویسی که فقط باید اصلاح کنی، با تایپ از صفر فرق دارد؛ کار تو از نوشتن به گوش دادن و تصحیح تبدیل میشود.
«کیفیت ضبط از مدل مهم‌تر است.» تا حد زیادی واقعیت. هیچ مدلی کلمه‌ای را که در فایل شنیده نمی‌شود درست نمی‌نویسد. گوشی نزدیک گوینده و اتاق بی‌پژواک بیشترین اثر را دارد.
پیاده سازی فایل صوتی به متن کجا غلط میکند؟ ۷ نوع خطا
نمونه‌های این بخش ساختگی‌اند و برای نشان دادن نوع خطا نوشته شده‌اند، نه خروجی واقعی یک ابزار:
۱. نام خاص: «خانم کیانی» ← «خانم کیهانی»؛ اسم آدم‌ها، شرکت‌ها و خیابان‌ها
۲. هم‌آواها: «صد میلیون» ← «سد میلیون»، «خواستن» ← «خاستن»؛ صدا یکی است، املا دو تا
۳. اصطلاح تخصصی و کلمه انگلیسی: «کی‌پی‌آی فصل» یا «KPI فصل»؛ هر دو ممکن است بیاید و یکی‌اش با سند تو نمی‌خواند
۴. حرف هم‌زمان: دو نفر با هم حرف می‌زنند و جمله یکی‌شان کامل جا می‌افتد
۵. سکوت و موسیقی: جمله‌ای که گفته نشده، مثل «زیرنویس از …» یا «Thank you»، وسط سکوت ظاهر میشود
۶. تکرار: یک جمله دو یا سه بار پشت سر هم نوشته میشود
۷. عدد و تاریخ: «۱۴۰۵» ممکن است یک جا با رقم و جای دیگر با حروف بیاید یا یک رقمش غلط شنیده شود؛ هر عدد مهم را با صدا چک کن
خطای ۵ و ۶ همان توهم و تکراری است که کارت معرفی Whisper درباره‌اش هشدار داده. خطای ۱ تا ۳ در هر ابزار تبدیل گفتاری پیش می‌آید، چون مدل نام و اصطلاحی را که نمی‌شناسد به نزدیک‌ترین کلمه آشنا برمی‌گرداند.
دقت پیاده سازی را خودت چطور حساب کنی؟
معیار رایج دقت، نرخ خطای کلمه (WER) است؛ همان معیاری که در صفحه Whisper هم آمده. یک تکه یک‌دقیقه‌ای از فایل خودت را دستی و دقیق تایپ کن، با خروجی ماشین مقایسه کن و کلمه‌های غلط، جاافتاده و اضافه را بشمار:
گفته شده (۱۴ کلمه): قرار شد آقای رحمانی گزارش فروش آبان را تا یکشنبه برای خانم کیانی بفرستد
خروجی ماشین (نمونه): قرار شد آقای رحمانی گزارش فروش آبان را تا یکشنبه خانم کیهانی بفرستد
کلمه عوض‌شده: ۱ (کیانی ← کیهانی) · کلمه جاافتاده: ۱ (برای) · کلمه اضافه: ۰
نرخ خطا: (۱ + ۱ + ۰) ÷ ۱۴ ≈ ۰٫۱۴، یعنی حدود ۱۴٪
عدد به‌تنهایی کافی نیست. در همین نمونه، «برای» جاافتاده معنا را عوض نمی‌کند، ولی «کیهانی» گزارش را به آدم اشتباه می‌فرستد. پس کنار عدد، نوع خطا را هم ببین: خطا در نام، عدد و تصمیم را حتماً اصلاح کن؛ بقیه را اگر وقت داشتی.
برای اینکه خطا از اول کمتر شود، نکته‌های ضبط جلسه را در بهترین سایت تبدیل صدا به متن فارسی نوشته‌ایم، و اگر متن را برای کارفرما تحویل می‌دهی، روند بازبینی در تایپ فایل صوتی آمده است.
پیاده سازی فایل صوتی با هوش مصنوعی در صدانویس
صدانویس برای مرحله تبدیل گفتار از مدلی از خانواده Whisper استفاده میکند، پس همان محدودیت‌های بالا را دارد. کاری که بعد از مدل انجام میدهد این‌هاست:
برش در سکوت: فایل در تکه‌های حدوداً ۱۰ دقیقه‌ای و از جای سکوت بریده میشود تا جمله‌ای از وسط نصف نشود.
حذف توهم‌های شناخته‌شده: بخش‌هایی مثل «زیرنویس …»، «ترجمه و زیرنویس» و «Thank you» که مدل در سکوت می‌سازد، حذف می‌شوند. توهمی که شکل دیگری دارد ممکن است بماند.
مرتبسازی قطعی حروف: «ی» و «ک» فارسی، نیم‌فاصله و فاصله علائم همیشه درست می‌شوند؛ عددها دست نمی‌خورند.
ویرایش هوشمند با قفل معنا: نشانه‌گذاری و غلط آشکار درست میشود، ولی اگر طول جمله بیش از ۳۰٪ عوض شود یا بیش از یک‌چهارم حروفش تغییر کند، همان متن ماشینی قبلی می‌ماند. این کلید را میشود در «تنظیمات بیشتر» خاموش کرد.
محدودیت‌ها: گویندهها را از هم جدا نمی‌کند، فقط فارسی می‌نویسد و هر فایل حداکثر ۲ ساعت است (پیش‌فرض فعلی).
قبل: قرار شد گزارش ها رو تا یکشنبه آماده کنیم , من فکر می کنم بهتره زودتر بفرستیم
بعد: قرار شد گزارش‌ها رو تا یکشنبه آماده کنیم، من فکر می‌کنم بهتره زودتر بفرستیم
می‌بینی که «رو» و «بهتره» عوض نشده‌اند؛ حرف خودمانی رسمی نمی‌شود. متن را میشود Word، زیرنویس SRT یا متن ساده گرفت (آموزش تبدیل فایل صوتی به متن). هزینه را قبل از پرداخت می‌بینی.
متن فایل صوتی‌ات، با زمان هر جمله برای بازبینی
حالت «عمومی» با ویرایش هوشمند از قبل انتخاب شده است؛ فایل را بده و جاهای مشکوک را با زدن روی جمله گوش کن.
پیاده‌سازی فایل صوتیاولین فایلت: ۳ دقیقه اول رایگان به متن و خلاصه تبدیل می‌شه.
سؤال‌های رایج
هزینه پیاده سازی فایل صوتی با هوش مصنوعی چطور حساب میشود؟
در صدانویس هزینه به مدت فایل بستگی دارد و بعد از آپلود، مدت دقیق و هزینه را قبل از شروع تبدیل می‌بینی. اگر فایل گفتاری نداشته باشد، اعتبار کامل برمی‌گردد.
برای پیاده سازی فایل صوتی نرم افزار نصب کنم یا سایت؟
Whisper را میشود روی کامپیوتر خودت نصب کرد، ولی نصبش کار فنی است و مدلهای دقیقترش کارت گرافیک با حافظه زیاد میخواهند. صدانویس نصب نمیخواهد و مرتبسازی فارسی و خروجی Word را هم میدهد؛ برای فایل محرمانه، اجرا روی دستگاه خودت فایل را از دستت بیرون نمیبرد.
هوش مصنوعی گویندهها را در متن جدا میکند؟
صدانویس فعلاً نه؛ جملهها به ترتیب زمان میآیند و نام گویندهها را خودت اضافه میکنی. برای جلسه، نوبتی حرف زدن هم دقت را بالا میبرد و هم جدا کردن را آسان میکند.