Sesden Yazıya Karşılaştırma: Deepgram vs. Whisper
Özellikle sağlık uygulamalarına odaklanarak önde gelen sesden yazıya (STT) sağlayıcılarını karşılaştırdık. Karşılaştırmamız, hassasiyetin kritik olduğu tıbbi bağlamlarda transkripsiyon doğruluğunu değerlendirmek için gerçek dünya örneklerini kullandı.
Sesden yazıya karşılaştırma sonuçları
Hem kelime hata oranı (WER) hem de karakter hata oranı (CER) sonuçlarına göre, GPT-4o-transcribe, değerlendirilen tüm sesden yazıya sistemleri arasında en yüksek transkripsiyon doğruluğunu göstermektedir. Deepgram Nova-v3 ve Gladia da her iki metrikte düşük hata oranlarını koruyarak güçlü performans sergiliyor.
Yöntem
Veri seti
Modellerin performansını hem küçük ve çeşitli örneklerde hem de uzun bir örnekte değerlendirmek istediğimizden, iki görev gerçekleştirdik:
Görev 1: Sağlık ses verisi
- Toplam örnek sayısı: 100
- Toplam süre: 9 dakika ve 25 saniye
- Ortalama örnek başına süre: 5.65 saniye
- İçerik: Tıbbi terminoloji, hasta etkileşimleri ve klinik tartışmalar dahil sağlık ses verisi
- Çeşitlilik: Farklı konuşmacılar, değişen ses kalitesi ve İngilizce konuşulan çeşitli tıbbi bağlamlar
Ses özellikleri:
- Format: WAV
- Kanallar: 1 (Mono)
- Örnek genişliği: 16-bit
- Örnek oranı: 16 kHz
- Tutarlı bit hızı: 256 kbps
- Süre aralığı: Dosya başına ~4.5 ila 11.5 saniye
Görev 2: Bir anatomi dersi
- Toplam örnek sayısı: 1
- Toplam süre: 8 dakika ve 35 saniye
- İçerik: Tıbbi terminoloji dahil bir doktor tarafından verilen bir anatomi dersi
- Çeşitlilik: Videonun ilk yarısında bir konuşmacı İngilizce konuşur; arka planda müzik çalar.
Ses özellikleri:
- Format: WAV
- Kanallar: 2 (Stereo)
- Örnek genişliği: 16-bit
- Örnek oranı: 48 kHz
- Tutarlı bit hızı: 1536 kbps
Değerlendirme metrikleri
Transkripsiyon doğruluğu için değerlendirme metrikleri olarak kelime hata oranı (WER) ve karakter hata oranı (CER) kullandık. Kelime hata oranı şu şekilde hesaplanır:
WER = (S + D + I) / N
Burada:
- S = Yer değiştirme sayısı
- D = Silme sayısı
- I = Ekleme sayısı
- N = Gerçek doğrulardaki toplam kelime sayısı
Formül, hipotezi referansa dönüştürmek için gereken minimum kelime düzeyi işlemlerinin sayısını, referanstaki kelime sayısına bölerek hesaplar. Daha düşük WER, %0'ın mükemmel bir eşleşme olmasıyla daha iyi doğruluğu gösterir.
Karakter hata oranı (CER), referans metindeki toplam karakter sayısına bölünen toplam karakter düzeyi hatalarının (eklemeler, silmeler ve yer değiştirmeler dahil) sayısıyla hesaplanır.
Ses dosyalarını metne dönüştürmek için sesden yazıya API'leri kullandık.
Sağlayıcıların bir seferde kabul ettiği maksimum dosya boyutu tabloda gösterilmiştir:
*Vosk yerel olarak çalıştığı için, girdi dosya boyutu üzerinde bir sınır yoktur. Ancak, uzun ses dosyaları ışın sınırını aşabilir, bu da bazı olasılıkların kaybolmasına neden olabilir. Bu nedenle dosyaları 1–2 dakikalık segmentlere bölmek önerilir.
Google MedASR da yerel olarak çalışır ve maksimum dosya boyutu sınırı uygulamaz. Optimum performans ve kaynak yönetimi için, uzun dosyaların daha küçük segmentlerde işlenmesi önerilir.
Not: Daha küçük dosya boyutu sınırlarına sahip sağlayıcılar için (örneğin Google ve OpenAI), daha büyük ses dosyaları işlenmeden önce daha küçük parçalara bölünmelidir. Bunu Görev 2'de gerçekleştirdik.
Konuşma tanıma
Konuşma tanıma, bilgisayarların ses dosyalarını makine öğrenimi algoritmaları kullanarak metne dönüştürmesini sağlar. Bir transkripsiyon hizmetinin API'si, toplu transkripsiyon için çeşitli programlama dilleriyle kullanılabilir. Bu platformlar hem gerçek zamanlı hem de asenkron transkripsiyonu destekler.
Konuşma tanıma teknolojisi, transkripsiyon, sesli asistanlar ve dil çevirisi dahil olmak üzere birçok uygulamaya sahiptir.
Transkripsiyon için konuşma tanımanın kullanmanın faydaları
- Ses dosyalarının hızlı transkripsiyonu
- Zaman ve çaba tasarrufu
- Gerçek zamanlı transkripsiyon ve çeviri
- Engelli bireyler için erişilebilirlik
Sesden yazıya AI araçları nasıl çalışır?
Transkripsiyon süreci şunları içerir:
- Ses verisi sesden yazıya aracına yüklenir veya akıtılır
- Ses verisini analiz etmek ve konuşmadaki desenleri tanımlamak için makine öğrenimi algoritmalarının kullanılması
- Araç, sesden yazıya motorunu kullanarak konuşmayı metne dönüştürür
- Transkribe edilen metin daha sonra kullanıcıya gösterilir.
Tercih edilen kaynak olarak ekleSSS'ler
Ses ve video kayıtlarının transkripsiyonu şu alanlarda kullanılabilir:
Sesli asistanlar ve sanal asistanlar
Dil çevirisi ve yorumlama
Engelli bireyler için sesden yazıya (ASR) sistemleri
Önceden eğitilmiş modelleri, kaydedilmiş ses ve video dosyaları için otomatik konuşma tanıma (ASR) sağlar. Yüksek doğruluklu ses transkripsiyonları otomatik noktalama ve konu tespiti içerir.
Açık kaynaklı bir motor veya şirketinizin zaten çalıştığı bir hizmetten (yani, Google Cloud, AWS transcribe) bir konuşma tanıma sağlayıcısı, şirketinizin ihtiyaçları için transkripsiyon çözümü olarak seçilebilir. Bazıları ücretsiz kredi de sunar, ancak veri güvenliği konusunda dikkatli olmanızı öneririz.
Bir sesden yazıya API, ses dosyalarını metne dönüştürmeye yardımcı olabilir. Ses verisinin işlenmesi ve analizi:
Ses verisi, gürültü azaltma ve yankı iptali gibi teknikler kullanılarak işlenir
Ses verisi daha sonra konuşmadaki desenleri tanımlamak için makine öğrenimi algoritmaları kullanılarak analiz edilir
Algoritmalar, konuşulan kelimeleri ve ifadeleri tanımak için akustik modeller ve dil modelleri kullanır
Makine öğrenimi algoritmaları kullanarak konuşmayı metne dönüştürme:
Makine öğrenimi algoritmaları, büyük ses ve metin veri setleri üzerinde eğitilir
Algoritmalar konuşmadaki desenleri tanımayı ve bunları metne dönüştürmeyi öğrenir
Algoritmalar belirli kullanım durumları ve diller için ince ayar yapılabilir ve özelleştirilebilir
Daha fazla okuma
Bu benchmarkı kaynak gösterin
Yayınlayacağınız yere uygun formatı seçin. Bağlantılı sürümü CMS'inize yapıştırmak, geri bağlantıyı korur.
@misc{dilmegani2026,
author = {Dilmegani, Cem and Alper, Şevval},
title = {{Sesden Yazıya Karşılaştırma: Deepgram vs. Whisper}},
year = {2026},
month = jan,
howpublished = {\url{https://aimultiple.com/speech-to-text}},
note = {AIMultiple. Erişim tarihi: 22 Ocak 2026}
}
Yorum yapan ilk kişi olun
E-posta adresiniz yayınlanmayacak. Tüm alanlar gereklidir. Yorumlar orijinal dilinde bırakılır.