स्पीच रिकग्निशन मॉडल साफ़ ऑडियो को ट्रांसक्राइब करने में उत्कृष्ट हैं, लेकिन असली डिक्टेशन ऐसी परिस्थितियों में शायद ही होता है। लाखों लोग Wispr Flow का उपयोग डेस्क पर, मीटिंग्स के बीच, यात्रा के दौरान और व्यस्त कार्यालयों में संदेश भेजने, ईमेल लिखने, कोड करने और विचारों पर काम करने के लिए करते हैं। वे लैपटॉप माइक्रोफ़ोन, ईयरबड्स और हेडसेट के माध्यम से बोलते हैं, अक्सर पृष्ठभूमि में अन्य आवाज़ें, संगीत या यातायात के साथ। आज, Wispr Advanced Interfaces Lab Canto पेश कर रहा है, जो रीयल-टाइम डिक्टेशन के लिए हमारा नवीनतम स्पीच मॉडल है।

वास्तविक दुनिया के डिक्टेशन के एक मूल्यांकन पर, Canto ने हमारे द्वारा परीक्षण किए गए सभी मॉडलों में सबसे कम शब्द त्रुटि दर हासिल की। हमने Canto की तुलना Google, Open AI, Assembly AI और Deepgram के मॉडलों से की। Canto, Wispr Advanced Interfaces Lab में एक व्यापक अनुसंधान और विकास कार्यक्रम का पहला मॉडल है। इस पोस्ट में, हम साझा करते हैं कि यह कैसा प्रदर्शन करता है, हमने इसे चुनौतीपूर्ण वास्तविक दुनिया की स्थितियों से निपटने के लिए कैसे प्रशिक्षित किया, और वह शोध जो पहले से ही आगे क्या आएगा उसे आकार दे रहा है।

“आज, Wispr Advanced Interfaces Lab Canto पेश कर रहा है, जो रीयल-टाइम डिक्टेशन के लिए हमारा नवीनतम स्पीच मॉडल है।” — Ariya Rastrow, CSO, Wispr Flow

वास्तविक दुनिया की परिस्थितियों में Canto का परीक्षण करने के लिए, हमने 2,300 से अधिक अद्वितीय वक्ताओं के 10 घंटे के अंग्रेज़ी-भाषा Wispr Flow डिक्टेशन से बना एक मूल्यांकन सेट बनाया, जिसे अनुप्रयोगों और उपयोग के मामलों में बेतरतीब ढंग से नमूना लिया गया। ओवरफिटिंग से बचने के लिए हमने ट्रेन और टेस्ट सेट में वक्ताओं के बीच सख्त अलगाव लागू किया। प्रत्येक नमूना उस उपयोगकर्ता से आया जिसने Wispr की डेटा-साझाकरण सेटिंग को चुना, जो उनके डेटा को हमारे मॉडलों के मूल्यांकन और सुधार के लिए अनाम रूप से उपयोग करने की अनुमति देती है। इस सेटिंग के बारे में अधिक जानकारी हमारे डेटा-नियंत्रण दस्तावेज़ में उपलब्ध है।

Canto ने हमारी तुलना के मॉडलों में सबसे कम शब्द त्रुटि दर (WER) हासिल की। WER मानव-ट्रांसक्राइब किए गए संदर्भ के सापेक्ष शब्द प्रतिस्थापन, छूट और सम्मिलन को मापता है (कम बेहतर है)।

मुख्य संस्थाएँ: कंपनियाँ: Wispr Flow, Wispr Advanced Interfaces Lab, Google, Open AI, Assembly AI, Deepgram | लोग: Ariya Rastrow