Чиво?

GPT очень плотно вошел в мою жизнь — я отдаю ему много контекста, включая записи переговоров. И вот тут самое интересное — чтобы GPT смог ими пользоваться, звук нужно перевести в текст.

В итоге уровень полезности самого GPT для меня начинает напрямую зависеть от качества распознавания. Проверять глазами транскрибацию и исправлять её ошибки мне некогда, поэтому у меня система обучена воспринимать все приложенные переговоры как «грязный» источник и прежде чем что-то делать, задает мне вопросы в тех местах, где видит проблему, возможные искажения смысла или сомневается в корректности определения спикера.

Я подумал, что неплохо было бы сравнить разные транскрайберы по качеству, выбрать лучший (и платить деньги только ему). В тест попало 5 сервисов.

Исходный файл — 45 минут, переговоры с клиентом на разработку маркетплейса. Разговор шел про бизнес, текущую и будущую бизнес-модели, процессы, также было немного специфической ИТ и торговой терминологии.

В таблице сервисы отранжированы по итоговому качеству, слева сильнейший. Победитель — mymeet.ai

Я не тестировал whisper. Он завелся у меня локально, но возникла непреодолимая проблема с pyannote, а без диаризации смысла в распознавании переговоров нет никакого.

Также в тест не попал tl;dv, он не дает возможности скачать транскрибацию без оформления подписки, поэтому проверить его результаты не получилось. Если у кого-то из моих читателей есть там подписка — напишите мне, добавим в сравнение.