คำพูดพร้อมดนตรีประกอบ: เปรียบเทียบคำบรรยายดิบกับคำบรรยายที่ได้รับการตรวจสอบแล้ว

แหล่งที่มาและวิธีการ

สคริปต์ต้นฉบับภาษาอังกฤษตัวเดียวกันถูกสังเคราะห์ด้วย eSpeak NG สำหรับอินพุตทั้งสอง ลำดับโทนเสียงที่ทำซ้ำได้จะถูกผสมเป็นสำเนาเดียวโดยมีเกนที่บันทึกไว้ Whisper small ประมวลผลทั้งสองอย่าง วิดีโอคำบรรยายดิบใช้การบันทึกแบบผสม

กรณีศึกษาเหล่านี้ใช้สคริปต์ต้นฉบับ คำพูดสังเคราะห์ น้ำเสียงที่สร้างขึ้น และภาพแจ้งเตือนที่สร้างขึ้น ไม่มีการอัปโหลดของผู้ใช้ สื่อต้นทางและข้อความที่รู้จักจะคงภาษาต้นฉบับไว้เมื่อภาษาอินเทอร์เฟซเปลี่ยนไป

ดาวน์โหลดอินพุตต้นฉบับ ↓ · ดาวน์โหลดการตั้งค่า ↓ · ดาวน์โหลดข้อความต้นฉบับ ↓

เปรียบเทียบแหล่งที่มา การรับรู้ และบทวิจารณ์

ข้อความต้นฉบับ

Welcome to Field Notes.
Today Maya explains how a short recording becomes a captioned video.
Check the name Audiosubvideo, the number twenty seven, and the pause between sentences.
Review the words before you export your clip.

การรับรู้จากเสียงที่สะอาด

Welcome to Field Notes.
Today my rec explains how a short
recording becomes a captioned
video.
Check the name of the sub -video,
the number 27,
and the pause between sentences.
Review the words before you export
your clip.

ดาวน์โหลดเสียงที่สะอาด ↓ · ดาวน์โหลดการจดจำเสียงที่สะอาด ↓

ผลการรับรู้ที่ยังไม่ได้แก้ไข

Welcome to Field Notes.
Today my rec explains how a short
recording becomes a captioned
video.
Check the name of the sub -video,
the number 27,
and the pause between sentences.
Renew the words before you export
your clip.

ตรวจสอบผลลัพธ์แล้ว

Welcome to Field Notes.
Today Maya explains how a short recording becomes a captioned video.
Check the name Audiosubvideo, the number twenty seven, and the pause between sentences.
Review the words before you export your clip.

เวอร์ชันที่ตรวจสอบใช้สคริปต์ต้นฉบับที่มีขอบเขตประโยคที่กำหนดเวลาเท่ากัน แก้ไขข้อความ แต่ไม่สร้างความแม่นยำในการกำหนดเวลาระดับคำ เพลงจะยังคงอยู่ในเอาต์พุต ขั้นตอนการทำงานนี้ไม่ได้ดำเนินการแยกเสียงหรือกำจัดเสียงรบกวน

ดาวน์โหลดวิดีโอพร้อมคำบรรยายที่ไม่มีการตัดต่อ ↓ · ดาวน์โหลดวิดีโอที่ได้รับการตรวจสอบแล้ว ↓

สิ่งที่ควรตรวจสอบก่อนแชร์

ทั้งสองรัน Maya และ Audiosubvideo ที่จดจำผิด การบันทึกที่สะอาดจะคงการทบทวนไว้ ในขณะที่การบันทึกแบบผสมทำให้เกิดการต่ออายุ ทั้งสองแปลงยี่สิบเจ็ดเป็น 27 การเปรียบเทียบสังเคราะห์แบบควบคุมนี้ไม่ได้สร้างความแม่นยำทั่วไปหรือแยกสาเหตุของข้อผิดพลาดทุกประการ

การวัดและข้อจำกัด

Times อธิบายถึงการดำเนินการบิลด์ครั้งเดียว ไม่ใช่คำสัญญาระดับการบริการ เคสเสียงจะถูกวัดบนคอมพิวเตอร์ประกอบ OCR ของรูปภาพถูกวัดในอิมเมจการปรับใช้ Linux ไม่รวมเวลาในการอัปโหลดและคิวการประมวลผลที่ใช้ร่วมกัน

เวลาการรับรู้

3.98 s

เวลาเรนเดอร์

2.58 s

เครื่องยนต์ประมวลผล

faster-whisper small / CPU int8

นี่เป็นการสาธิตผลิตภัณฑ์ ไม่ใช่การวัดประสิทธิภาพความแม่นยำหรือคำรับรองจากลูกค้า