Transcrierea înregistrărilor în alte limbi: ce fac bine modelele și unde se împiedică

Cine studiază, cercetează sau lucrează internațional ajunge să aibă înregistrări în mai mult de o limbă: un interviu în turcă, o înregistrare de familie în arabă, un curs invitat în engleză, o ședință în care poloneza și germana se amestecă. Recunoașterea modernă a vorbirii se descurcă surprinzător de bine cu asta — dacă îi cunoașteți punctele slabe.

Câte limbi recunosc modelele?

Whisper de la OpenAI a fost antrenat pe 99 de limbi; Sprechverlauf folosește rapidul Whisper Large v3 Turbo în varianta gratuită de probă. Microsoft MAI-Transcribe-2, modelul din abonamentele plătite, acceptă 60 de limbi conform fișei modelului și separă și vorbitorii. Microsoft raportează o rată medie a erorilor la cuvânt de 5,2% pe benchmark-ul FLEURS. Este o medie: limbile mari, cu mult material de antrenare, obțin rezultate mai bune, iar cele rare, mai slabe.

Capcana 1: limbile înrudite

Croată, sârbă și bosniacă; hindi și urdu; malaeză și indoneziană: sună atât de asemănător, încât detectarea automată a limbii poate greși la clipurile scurte. Un interviu în sârbă poate ieși cu ortografie croată, sau urdu poate apărea în devanagari, în loc de alfabetul arab. Soluția este simplă: selectați explicit limba înainte să începeți.

Capcana 2: dialectele și argoul

Araba este cel mai clar exemplu: araba egipteană, levantină și marocană diferă mult, dar majoritatea textelor sunt scrise în arabă standard modernă. Modelele tind să netezească dialectul vorbit spre limba standard sau să înțeleagă greșit cuvintele regionale. Același lucru se aplică, într-o măsură mai mică, germanei elvețiene, portughezei braziliene sau cantonezei.

Capcana 3: limbile tonale și scrierile fără spații

În chineză, vietnameză sau thailandeză, înălțimea tonului schimbă sensul unei silabe. Reverberația, muzica și compresia puternică estompează exact asta — o înregistrare curată contează aici dublu. De asemenea, chineza, japoneza și thailandeza nu despart cuvintele prin spații; modelul trebuie să stabilească singur limitele cuvintelor. Verificați cu atenție numele și termenii tehnici.

Capcana 4: schimbarea limbii în timpul conversației

În multe familii și echipe, oamenii schimbă limba în mijlocul propoziției. Dacă forțați o singură limbă, modelul trebuie să scrie totul în ea. Pentru înregistrările mixte, „automat” este alegerea mai bună; Microsoft spune că MAI-Transcribe-2 este construit tocmai pentru acest tip de alternare a codurilor lingvistice.

Pe scurt

• O singură limbă: selectați-o înainte să începeți, mai ales la clipurile scurte și la limbile înrudite.
• Mai multe limbi într-o conversație: lăsați setarea pe „automat”.
• Dialect: așteptați-vă la abateri și verificați citatele după marcajul de timp.
• Limbi tonale: înregistrați curat, fără muzică de fundal.