هوش مصنوعی ElevenLabs دقیق‌تر به حرف‌ها گوش می‌دهد

شرکت ElevenLabs روز ۱۰ نوامبر ۲۰۲۶ از دو مدل تازه هوش مصنوعی به نام‌های Scribe v3 و Scribe v3 Live رونمایی کرد که برای تبدیل گفتار به متن و تشخیص گویندگان در فایل‌های صوتی و مکالمات زنده طراحی شده‌اند. به گفته شرکت، مدل نخست در آزمایش‌های انجام‌شده روی ۱۰۲ زبان، ۲۷ درصد خطای کمتری نسبت به نسل قبلی داشته و نسخه مخصوص مکالمات زنده نیز توانسته میزان خطاهای معنایی را ۴۳ درصد کاهش دهد.

مهم‌ترین تغییر این نسل فقط بهبود تشخیص کلمات نیست. ElevenLabs می‌گوید مدل جدید هنگام پیاده‌سازی جلساتی که چند نفر در آن صحبت می‌کنند، بهتر تشخیص می‌دهد هر جمله متعلق به چه کسی است. نسخه زنده نیز می‌تواند با توجه به محتوای مکالمه تصمیم بگیرد آیا گوینده حرفش را تمام کرده یا فقط برای لحظه‌ای مکث کرده است.

این قابلیت به‌ویژه برای دستیارهای صوتی اهمیت دارد. بسیاری از سامانه‌های پاسخ‌گوی خودکار زمانی که کاربر برای فکرکردن یا بیان یک عدد مکث می‌کند، تصور می‌کنند صحبت او تمام شده و پاسخ خود را آغاز می‌کنند. Scribe v3 Live برای کاهش چنین اشتباهاتی توسعه یافته است.

هر دو مدل از زمان معرفی از طریق رابط برنامه‌نویسی ElevenLabs در دسترس قرار گرفته‌اند و نسخه Live در پلتفرم ElevenAgents نیز استفاده می‌شود.

با این حال، ارقام مربوط به دقت این مدل‌ها حاصل آزمایش‌های خود ElevenLabs هستند. هنوز ارزیابی مستقل و جامعی منتشر نشده که برتری آن‌ها را در تمام زبان‌ها و شرایط واقعی تأیید کند.

چرا تبدیل صدا به متن هنوز اشتباه می‌کند؟

تبدیل گفتار به متن یکی از کاربردهای قدیمی هوش مصنوعی است، اما پیشرفت مدل‌های زبانی هنوز نتوانسته تمام مشکلات این فناوری را برطرف کند.

در یک فایل صوتی باکیفیت که تنها یک نفر آرام و شمرده صحبت می‌کند، تشخیص کلمات معمولاً ساده‌تر است. شرایط زمانی پیچیده می‌شود که چند نفر هم‌زمان حرف بزنند، صدای محیط بلند باشد یا گوینده جمله را نیمه‌تمام رها کند.

برای مثال، در یک جلسه کاری ممکن است فردی صحبت دیگری را قطع کند، یکی از حاضران با صدای آهسته پاسخ دهد و نفر سوم از اصطلاحی تخصصی استفاده کند که مدل قبلاً کمتر با آن مواجه شده است.

در چنین شرایطی، سامانه تشخیص گفتار باید چند وظیفه را تقریباً هم‌زمان انجام دهد. ابتدا باید صدای انسان را از نویز محیط تشخیص دهد، سپس کلمات را شناسایی کند و در نهایت مشخص کند هر بخش از مکالمه متعلق به کدام گوینده است.

خطا در هرکدام از این مراحل می‌تواند نتیجه نهایی را تغییر دهد.

اگر نام یک دارو اشتباه تشخیص داده شود، متن حاصل از مکالمه پزشکی ممکن است اطلاعات نادرستی داشته باشد. در یک جلسه مالی نیز اشتباه در تشخیص اعداد می‌تواند نتیجه گزارش را تغییر دهد.

ElevenLabs در معرفی Scribe v3 بر همین مسئله تأکید کرده است: ارزش تبدیل گفتار به متن فقط در تولید سریع نوشته نیست؛ متن باید آن‌قدر دقیق باشد که بتوان در مراحل بعدی پردازش از آن استفاده کرد.

این موضوع زمانی اهمیت بیشتری پیدا می‌کند که خلاصه‌سازی جلسه یا تصمیم‌گیری یک عامل هوش مصنوعی بر اساس متن تولیدشده انجام شود.

دو مدل متفاوت برای فایل صوتی و گفت‌وگوی زنده

ElevenLabs به جای عرضه یک مدل برای تمام کاربردها، دو نسخه مجزا معرفی کرده است.

Scribe v3 برای پردازش فایل‌های صوتی ضبط‌شده طراحی شده است. این مدل می‌تواند پس از دریافت یک فایل، محتوای گفتار را تحلیل کند و متن آن را همراه با اطلاعاتی مانند تفکیک گویندگان ارائه دهد.

چنین ابزاری برای پیاده‌سازی مصاحبه‌های خبری، جلسات کاری، پادکست‌ها و آرشیوهای صوتی مناسب است.

در مقابل، Scribe v3 Live برای پردازش هم‌زمان صدا ساخته شده است. این مدل باید هنگام صحبت‌کردن کاربر، اطلاعات را دریافت و به متن تبدیل کند.

تفاوت این دو کاربرد فقط به سرعت پردازش محدود نمی‌شود.

هنگام بررسی یک فایل ضبط‌شده، مدل می‌تواند از اطلاعات بخش‌های بعدی مکالمه نیز برای شناخت بهتر جمله‌ها استفاده کند. اما سامانه زنده معمولاً باید پیش از شنیدن تمام جمله، بخشی از نتیجه را ارائه دهد.

برای مثال، اگر گوینده جمله‌ای را با عبارت مبهمی آغاز کند و چند ثانیه بعد منظور خود را روشن کند، مدل پردازش فایل ضبط‌شده فرصت بیشتری برای بررسی ارتباط میان این بخش‌ها دارد.

نسخه زنده باید میان سرعت پاسخ و دقت تشخیص تعادل برقرار کند.

ElevenLabs اعلام کرده Scribe v3 Live نسبت به نسل قبلی خود در همین شرایط عملکرد بهتری دارد، اما نتایج واقعی ممکن است به کیفیت صدا، زبان مکالمه و شیوه استفاده از مدل وابسته باشند.

کاهش ۲۷ درصدی خطای تشخیص کلمات

مهم‌ترین عدد اعلام‌شده برای Scribe v3، کاهش ۲۷ درصدی نرخ خطای کلمات در مقایسه با Scribe v2 است.

برای ارزیابی این موضوع، ElevenLabs از مجموعه آزمایشی مبتنی بر FLEURS استفاده کرده است.

FLEURS یکی از مجموعه‌داده‌های شناخته‌شده در تحقیقات تشخیص گفتار چندزبانه است. این مجموعه شامل نمونه‌های صوتی در زبان‌های مختلف می‌شود و امکان مقایسه عملکرد مدل‌ها را فراهم می‌کند.

معیار اصلی مورد استفاده، Word Error Rate یا WER است.

این معیار نشان می‌دهد چه میزان از کلمات متن تولیدشده با نسخه مرجع تفاوت دارند. اشتباه در تشخیص یک کلمه، حذف آن یا اضافه‌شدن کلمه‌ای نامناسب می‌تواند بر نتیجه اثر بگذارد.

البته کاهش ۲۷ درصدی خطا با افزایش ۲۷ واحد درصدی دقت تفاوت دارد.

برای مثال، اگر نرخ خطای یک سامانه در آزمایشی ۱۰ درصد باشد، کاهش نسبی ۲۷ درصدی به معنای رسیدن آن به حدود ۷٫۳ درصد است، نه اینکه دقت مدل ۲۷ واحد درصد بیشتر شده باشد.

بر اساس اطلاعات ElevenLabs، مدل جدید در تمام ۱۰۲ زبان بررسی‌شده نسبت به نسل قبلی بهبود داشته است.

میزان پیشرفت در زبان‌های مختلف یکسان نبوده است. شرکت از کاهش ۴۲ درصدی خطا در زبان آلمانی، ۳۵ درصدی در اسپانیایی و ۲۳ درصدی در انگلیسی خبر داده است.

برای زبان‌هایی مانند سواحیلی، تامیلی و تایلندی نیز بهبودهایی به‌ترتیب ۳۴، ۲۹ و ۲۸ درصد گزارش شده است.

این ارقام به شرایط آزمون شرکت مربوط هستند و به معنای دستیابی به چنین میزان بهبودی در همه فایل‌های صوتی واقعی نیستند.

تشخیص اینکه هر جمله را چه کسی گفته است

یکی از دشوارترین وظایف سامانه‌های تبدیل گفتار به متن، تفکیک گویندگان است.

در یک مصاحبه دونفره، نرم‌افزار باید بتواند گفتار مصاحبه‌کننده را از پاسخ‌های مهمان جدا کند.

وقتی تعداد حاضران به چهار یا پنج نفر برسد، مسئله پیچیده‌تر می‌شود. صداها ممکن است شباهت داشته باشند و افراد در فاصله‌های کوتاهی به یکدیگر پاسخ دهند.

در پردازش گفتار، به این فرایند Speaker Diarization گفته می‌شود.

هدف از آن الزاماً شناسایی هویت واقعی افراد نیست. سامانه می‌تواند بدون دانستن نام اشخاص، بخش‌های مختلف گفتار را با برچسب‌هایی مانند «گوینده اول» و «گوینده دوم» مشخص کند.

ElevenLabs می‌گوید Scribe v3 در آزمون‌های داخلی خود نسبت به نسخه قبلی، به‌طور کلی ۱۲ درصد خطای کمتری در تفکیک گویندگان داشته است.

در فایل‌هایی که سه نفر یا بیشتر صحبت می‌کردند، میزان کاهش خطا به ۱۷ درصد رسیده است.

این ویژگی برای تهیه صورت‌جلسه اهمیت زیادی دارد.

اگر مدل جمله‌ای را به شخص اشتباهی نسبت دهد، حتی با تشخیص درست تمام کلمات ممکن است گزارش نهایی گمراه‌کننده شود.

در یک جلسه تصمیم‌گیری، تفاوت زیادی وجود دارد میان اینکه یک پیشنهاد را مدیر پروژه مطرح کرده باشد یا یکی از اعضای تیم.

بنابراین تفکیک گویندگان صرفاً یک قابلیت جانبی نیست و می‌تواند بر اعتبار متن نهایی تأثیر مستقیم بگذارد.

تشخیص گوینده برای نخستین بار در نسخه زنده

ElevenLabs اعلام کرده Scribe v3 Live نخستین مدل زنده این خانواده است که قابلیت تفکیک گویندگان را ارائه می‌کند.

در نسخه‌های قبلی، توسعه‌دهندگان برای شناسایی گویندگان در جریان مکالمه ممکن بود به ابزارهای تکمیلی نیاز داشته باشند.

نسخه جدید می‌تواند هنگام دریافت صدا، تشخیص دهد کدام بخش از گفتار متعلق به کدام گوینده است.

در آزمایش داخلی شرکت روی بخش انگلیسی مجموعه‌ای از مکالمات واقعی، نرخ خطای تفکیک گوینده در Scribe v3 Live حدود ۳٫۱ درصد گزارش شده است.

این عدد برای مدل‌های زنده دیگری که در همان مقایسه بررسی شدند، بین ۵٫۹ تا ۷٫۳ درصد بوده است.

البته ElevenLabs توضیح داده که روش محاسبه این نتایج با برخی آزمون‌های متداول تفاوت دارد.

در این ارزیابی، پژوهشگران تلاش کرده‌اند خطاهای تشخیص کلمات را از خطاهای نسبت‌دادن گفتار به افراد جدا کنند.

به همین دلیل، ارقام این آزمایش را نباید مستقیماً با نتایج همه آزمون‌های دیگر مقایسه کرد.

همچنین عملکرد مدل در زبان‌های مختلف، مکالمات پرنویز یا شرایطی که چند نفر هم‌زمان صحبت می‌کنند، ممکن است متفاوت باشد.

پایان جمله را از روی سکوت تشخیص نمی‌دهد

یکی از تغییرات مهم Scribe v3 Live به تشخیص پایان نوبت صحبت‌کردن کاربر مربوط می‌شود.

بسیاری از دستیارهای صوتی برای تشخیص پایان گفتار از مدت سکوت استفاده می‌کنند.

برای مثال، اگر کاربر برای مدت مشخصی صحبت نکند، سامانه تصور می‌کند جمله تمام شده است.

این روش ساده است، اما مشکل مهمی دارد.

اگر زمان انتظار کوتاه باشد، دستیار ممکن است صحبت کاربر را قطع کند. اگر زمان انتظار طولانی باشد، پاسخ سامانه با تأخیر ارائه می‌شود.

فرض کنید مشتری هنگام تماس با مرکز پشتیبانی می‌خواهد یک شماره پیگیری طولانی را اعلام کند. ممکن است پس از خواندن چند رقم مکث کند تا بقیه شماره را پیدا کند.

سامانه‌ای که فقط به سکوت توجه می‌کند ممکن است همان لحظه تصور کند شماره کامل شده است.

ElevenLabs می‌گوید روش جدید با عنوان Turn Prediction علاوه بر صدا، محتوای مکالمه را نیز بررسی می‌کند.

به این ترتیب، مدل تلاش می‌کند تشخیص دهد مکث گوینده به معنی پایان صحبت است یا هنوز ادامه‌ای برای جمله انتظار می‌رود.

این قابلیت می‌تواند در گفت‌وگو با عوامل صوتی هوش مصنوعی اهمیت زیادی داشته باشد، زیرا قطع‌کردن مکرر صحبت کاربر تجربه مکالمه را مختل می‌کند.

با این حال، تشخیص پایان گفتار همچنان یک پیش‌بینی است و احتمال اشتباه در آن به‌طور کامل از بین نمی‌رود.

وقتی گوینده وسط جمله زبانش را عوض می‌کند

نسخه Live قابلیت دیگری نیز دارد که برای مکالمات چندزبانه طراحی شده است.

ElevenLabs اعلام کرده مدل جدید می‌تواند تغییر زبان در میانه جمله را بهتر مدیریت کند.

این مسئله در بسیاری از کشورها اتفاق رایجی است.

ممکن است فردی هنگام صحبت به زبان مادری، از واژه‌های انگلیسی استفاده کند یا بخشی از جمله را به زبان دیگری بیان کند.

در بعضی مکالمات کاری نیز نام محصولات، اصطلاح‌های فنی و عبارت‌های تخصصی به زبان اصلی بیان می‌شوند.

اگر سامانه تشخیص گفتار انتظار داشته باشد تمام جمله به یک زبان باشد، ممکن است این بخش‌ها را اشتباه تشخیص دهد.

Scribe v3 Live با حالت چندزبانه خود تلاش می‌کند چنین تغییراتی را مدیریت کند.

این ویژگی به‌خصوص برای مراکز پشتیبانی بین‌المللی و سامانه‌های صوتی چندزبانه کاربرد دارد.

با وجود این، پشتیبانی از تغییر زبان به معنی تضمین دقت یکسان برای تمام ترکیب‌های زبانی نیست.

مدلی که هنگام جابه‌جایی میان انگلیسی و یک زبان دیگر عملکرد مناسبی دارد، ممکن است در ترکیب‌های متفاوت نتیجه ضعیف‌تری ارائه دهد.

برای استفاده واقعی، لازم است هر سامانه با نمونه‌هایی از گفتار کاربران هدف آزمایش شود.

شناسایی بهتر نام‌ها و اصطلاح‌های تخصصی

یکی از مشکلات متداول نرم‌افزارهای تبدیل گفتار به متن، اشتباه در تشخیص نام شرکت‌ها، اصطلاح‌های تخصصی و واژه‌های کم‌کاربرد است.

برای مثال، در یک مکالمه پزشکی ممکن است نام یک دارو به واژه‌ای مشابه تبدیل شود.

در یک شرکت فناوری نیز نام محصول یا عبارت اختصاری ممکن است در متن نهایی به اشتباه ثبت شود.

ElevenLabs برای کاهش این مشکل، امکانات مربوط به معرفی واژه‌های مهم را گسترش داده است.

در Scribe v3 توسعه‌دهنده می‌تواند فهرستی شامل حداکثر هزار اصطلاح شناخته‌شده در اختیار مدل قرار دهد.

این قابلیت با عنوان Keyterm Prompting ارائه می‌شود.

در نسخه زنده نیز امکان استفاده از کتابخانه بزرگ‌تری از اصطلاحات فراهم شده است.

تفاوت این دو روش آن است که در حالت نخست، فهرستی از واژه‌های مشخص از قبل تعریف می‌شود. در روش دوم، مدل می‌تواند هنگام تشخیص یک عبارت احتمالی به مجموعه بزرگ‌تری از اصطلاحات مراجعه کند.

این قابلیت برای شرکت‌هایی که کاتالوگ محصولات گسترده دارند یا با اصطلاحات تخصصی متعدد سروکار دارند مفید خواهد بود.

با این حال، اضافه‌کردن نام‌ها به فهرست به معنی حذف کامل خطاهای مربوط به آن‌ها نیست.

کیفیت صدا، شیوه تلفظ و شباهت آوایی کلمات همچنان بر نتیجه تأثیر می‌گذارد.

اعداد و تاریخ‌ها با قالب دلخواه نوشته می‌شوند

یکی دیگر از تغییرات نسل جدید، امکان کنترل بیشتر بر شکل متن خروجی است.

برای مثال، برنامه‌نویس می‌تواند مشخص کند اعداد به شکل رقم نوشته شوند یا به‌صورت واژه.

این تفاوت در بعضی کاربردها اهمیت زیادی دارد.

در متن یک مصاحبه ممکن است نوشتن عبارت «بیست‌وپنج» مناسب باشد، اما در یک گزارش مالی معمولاً استفاده از عدد «۲۵» خواناتر است.

ElevenLabs همچنین امکانی فراهم کرده که توسعه‌دهنده بتواند قواعد قالب‌بندی متن را با زبان طبیعی مشخص کند.

برای نمونه، می‌توان از مدل خواست تمام تاریخ‌ها را در قالب مشخصی بنویسد.

هدف آن است که متن تولیدشده به ویرایش کمتری نیاز داشته باشد.

این قابلیت برای برنامه‌هایی که باید خروجی تشخیص گفتار را مستقیماً در یک سامانه دیگر ثبت کنند مفید است.

با این حال، قالب‌بندی درست را نباید با تشخیص درست اطلاعات اشتباه گرفت.

اگر مدل عددی را به‌اشتباه شنیده باشد، تبدیل آن به یک قالب منظم مشکل اصلی را حل نمی‌کند.

بنابراین، در کاربردهای حساس مانند ثبت اطلاعات مالی یا پزشکی، بررسی صحت اعداد همچنان اهمیت دارد.

خطای ۴۳ درصدی کمتر در گفتار زنده به چه معناست؟

ElevenLabs برای نسخه Live از کاهش ۴۳ درصدی نرخ خطای معنایی نسبت به Scribe v2 Realtime خبر داده است.

این معیار با نرخ خطای معمول کلمات تفاوت دارد.

در معیار Word Error Rate، تفاوت میان شکل نوشتاری کلمات ممکن است به‌عنوان خطا ثبت شود، حتی زمانی که معنی جمله تغییر نکرده باشد.

اما در Semantic Word Error Rate تلاش می‌شود خطاهایی که واقعاً بر معنی متن اثر می‌گذارند از تفاوت‌های صرفاً نوشتاری جدا شوند.

این تمایز برای سامانه‌های زنده مهم است، زیرا مدل ممکن است هنگام شنیدن جمله هنوز اطلاعات کاملی درباره نقطه‌گذاری یا شکل نهایی نوشتن اعداد نداشته باشد.

ElevenLabs در همان مجموعه آزمون، کاهش ۳۱ درصدی نرخ خطای معمول کلمات را نیز برای Scribe v3 Live گزارش کرده است.

بنابراین دو عدد ۴۳ و ۳۱ درصد، به دو معیار متفاوت مربوط می‌شوند.

شرکت همچنین توضیح داده که برای محاسبه نتایج چندزبانه، عملکرد هر زبان به‌صورت جداگانه اندازه‌گیری و سپس میانگین گرفته شده است.

این روش ممکن است با شیوه محاسبه بعضی بنچمارک‌های دیگر تفاوت داشته باشد و مقایسه مستقیم نتایج را دشوار کند.

در نتیجه، ارقام اعلام‌شده نشان‌دهنده بهبود در ارزیابی داخلی شرکت هستند، نه تضمین کاهش خطا به همان میزان در تمام کاربردهای تجاری.

آزمایش واقعی در شرکت انرژی Eneco

ElevenLabs برای نشان‌دادن کاربرد عملی مدل جدید، به آزمایشی در شرکت انرژی هلندی Eneco اشاره کرده است.

این شرکت به بیش از دو میلیون خانه و کسب‌وکار خدمات انرژی ارائه می‌دهد و از عوامل صوتی هوش مصنوعی برای پاسخ‌گویی به مشتریان استفاده می‌کند.

یکی از مشکلات این سامانه‌ها، تشخیص صحیح اطلاعاتی مانند کد پستی و شماره ساختمان است.

این اطلاعات ممکن است از مجموعه‌ای از حروف و اعداد تشکیل شده باشند و گوینده نیز هنگام بیان آن‌ها مکث کند.

به گفته ElevenLabs، در آزمایش Scribe v3 Live روی تماس‌های واقعی مشتریان Eneco، تشخیص صحیح کد پستی در نخستین تلاش ۴۰ درصد بهبود داشته است.

همچنین میزان تشخیص صحیح شماره ساختمان در نخستین تلاش ۱۵ درصد افزایش یافته است.

این نتایج از نظر کاربردی اهمیت دارند، زیرا یک اشتباه در تشخیص شماره یا کد پستی می‌تواند باعث شود مشتری مجبور شود اطلاعات را دوباره بیان کند.

با این حال، نتایج منتشرشده به همین محیط عملیاتی و روش ارزیابی مربوط هستند.

هنوز اطلاعات کافی برای نتیجه‌گیری درباره میزان کاهش زمان تمام تماس‌ها، رضایت مشتریان یا صرفه‌جویی اقتصادی در دسترس نیست.

کاربرد احتمالی در مصاحبه‌ها و رسانه‌ها

مدل‌های جدید ElevenLabs می‌توانند برای خبرنگاران، تولیدکنندگان پادکست و رسانه‌هایی که با فایل‌های صوتی سروکار دارند نیز کاربرد داشته باشند.

پیاده‌سازی دستی یک مصاحبه طولانی زمان‌بر است و هرچه تعداد گویندگان افزایش پیدا کند، تهیه متنی دقیق دشوارتر خواهد شد.

ابزاری که بتواند کلمات را با خطای کمتر تشخیص دهد و جمله‌های هر فرد را جدا کند، می‌تواند بخشی از زمان آماده‌سازی متن را کاهش دهد.

همچنین امکان تعریف نام‌ها و اصطلاحات تخصصی برای خبرنگارانی که با حوزه‌های علمی یا اقتصادی کار می‌کنند مفید است.

با این حال، استفاده از هوش مصنوعی برای تهیه متن مصاحبه نباید جای بررسی نهایی توسط خبرنگار را بگیرد.

اشتباه در تشخیص یک عدد، نام شخص یا نسبت‌دادن جمله به گوینده دیگر ممکن است باعث انتشار اطلاعات نادرست شود.

در گزارش‌های خبری، صحت متن نهایی مسئولیت تحریریه است؛ حتی اگر نسخه اولیه آن را یک مدل هوش مصنوعی تولید کرده باشد.

نسخه Live نیز می‌تواند در بعضی برنامه‌های پخش زنده یا ابزارهای دسترس‌پذیری استفاده شود، اما برای زیرنویس زنده باید سرعت و دقت را در شرایط واقعی سنجید.

داده‌های صوتی کاربران چگونه نگهداری می‌شوند؟

یکی از مسائل مهم در استفاده سازمانی از ابزارهای تبدیل گفتار به متن، حفاظت از اطلاعات کاربران است.

فایل‌های صوتی ممکن است حاوی اطلاعات شخصی، مکالمات تجاری یا داده‌های حساس باشند.

ElevenLabs اعلام کرده مدل‌های جدید به‌صورت پیش‌فرض در زیرساخت آمریکا اجرا می‌شوند.

برای مشتریان سازمانی که به نگهداری داده در مناطق مشخص نیاز دارند، محیط‌های جداگانه‌ای در اتحادیه اروپا، هند و سنگاپور نیز ارائه می‌شود.

این شرکت همچنین قابلیتی با عنوان Zero Retention Mode دارد که بر اساس توضیحات رسمی، اطلاعات صوتی و متنی درخواست را پس از پایان پردازش حذف می‌کند.

با این حال، استفاده از چنین قابلیتی به شرایط سرویس و تنظیمات انتخاب‌شده بستگی دارد.

ElevenLabs به پوشش مدل‌های جدید در برنامه‌های انطباق امنیتی خود، از جمله SOC 2 و ISO 27001، اشاره کرده است.

این موارد به معنی تضمین امنیت مطلق یا مناسب‌بودن خودکار سرویس برای تمام انواع اطلاعات محرمانه نیستند.

سازمان‌هایی که قصد استفاده از مدل‌ها را دارند باید قراردادهای پردازش داده، محل نگهداری اطلاعات و تنظیمات امنیتی مرتبط را بررسی کنند.

توسعه‌دهندگان چگونه از مدل‌های تازه استفاده می‌کنند؟

هر دو مدل جدید از طریق ElevenAPI در دسترس توسعه‌دهندگان قرار گرفته‌اند.

این رابط به برنامه‌ها اجازه می‌دهد فایل صوتی یا جریان زنده صدا را برای پردازش ارسال کنند و متن تولیدشده را دریافت کنند.

ElevenLabs اعلام کرده مهاجرت از نسل قبلی در بعضی یکپارچه‌سازی‌های موجود می‌تواند با تغییر شناسه مدل انجام شود.

شناسه نسخه مخصوص فایل‌های ضبط‌شده scribe_v3 و شناسه نسخه زنده scribe_v3_live است.

با این حال، بهره‌گیری از قابلیت‌های تازه مانند پیش‌بینی پایان نوبت گفتار یا کتابخانه اصطلاحات ممکن است به تنظیمات بیشتری نیاز داشته باشد.

شرکت همچنین نسخه‌ای از Scribe v3 Live را برای کاربردهای مربوط به مکالمات پزشکی در پلتفرم ElevenAgents معرفی کرده است.

این موضوع به معنی تأیید مدل برای تصمیم‌گیری پزشکی مستقل نیست.

در چنین کاربردهایی، صحت متن تولیدشده و رعایت شرایط حفاظت از داده‌ها اهمیت ویژه‌ای دارد.

آیا هوش مصنوعی مشکل تشخیص گفتار را حل کرده است؟

معرفی Scribe v3 و Scribe v3 Live نشان می‌دهد رقابت در فناوری تبدیل گفتار به متن به مرحله تازه‌ای رسیده است.

در گذشته، بخش زیادی از توجه توسعه‌دهندگان بر تشخیص درست کلمات متمرکز بود.

اکنون قابلیت‌هایی مانند شناسایی گویندگان، تشخیص پایان جمله، مدیریت تغییر زبان و کنترل قالب متن نیز به معیارهای مهم کیفیت تبدیل شده‌اند.

این تغییر با گسترش دستیارهای صوتی هوش مصنوعی ارتباط دارد.

برای اینکه گفت‌وگوی انسان با یک عامل صوتی طبیعی‌تر شود، سامانه باید علاوه بر شناخت کلمات، زمان مناسب پاسخ‌دادن را نیز تشخیص دهد.

در عین حال، هیچ‌یک از این پیشرفت‌ها به معنی حذف کامل خطای تشخیص گفتار نیست.

کیفیت میکروفون، نویز محیط، زبان، لهجه و نوع مکالمه همچنان می‌توانند بر عملکرد تأثیر بگذارند.

مهم‌ترین نکته خبر ۱۰ نوامبر ElevenLabs، عرضه دو مدل عملیاتی است که بر اساس آزمایش‌های سازنده در چند معیار مهم نسبت به نسل قبلی پیشرفت کرده‌اند.

اما میزان برتری واقعی آن‌ها در مقایسه با ابزارهای رقیب، به‌ویژه برای زبان‌های مختلف و مکالمات پیچیده، باید با آزمون‌های مستقل مشخص شود.

اگر این پیشرفت‌ها در استفاده روزمره نیز تکرار شوند، می‌توانند زمان اصلاح متن مصاحبه‌ها و جلسات را کاهش دهند و تعامل با دستیارهای صوتی را روان‌تر کنند. فعلاً آنچه تأیید شده، معرفی و دسترسی به دو مدل تازه است؛ مدل‌هایی که می‌خواهند علاوه بر شنیدن دقیق‌تر کلمات، ساختار مکالمه انسانی را نیز بهتر درک کنند.

منبع: ElevenLabs، TSN، Nvdium، Neural Brew

مشاهده بیشتر

نوشته های مشابه

دکمه بازگشت به بالا