On dakikalık bir konuşma kaydını saniyeler içinde metne dönüştürmek kulağa yararlı geliyor. Ama alkışlamadan önce ortaya çıkan metni görmek isteriz.

USDT adlı sabit değerli kripto paranın arkasındaki şirket Tether, QVAC TranscribePsy adında sesi metne dönüştüren bir model yayımladı. Geliştiriciler bu modeli kullanarak ses kayıtlarını başka bir sunucuya göndermeden, doğrudan cihazda işleyen uygulamalar yapabiliyor.

Akıllı gözlükleri, insansı robotları ve büyük gizlilik vaatlerini bir kenara bıraktığınızda duyurunun özü şu: kendi cihazınızdaki kayıtları metne çeviren bir yazılım. Konuşmalarınızın başkasının sunucusuna gitmemesi gerçek bir avantaj. Fakat bu, yazılımın o konuşmaları ne kadar doğru yazıya dökeceği hakkında bir şey söylemiyor.

Hız, meselenin sadece yarısı

Önemli olan, ortaya çıkan metinde ne kadar düzeltme gerekeceği. Gerçek bir toplantı nadiren düzgün bir senaryoya uyar. İnsanlar mırıldanır, birbirinin sözünü keser, pek duyulmamış isimler söyler. Tek bir sayıyı yanlış yazmak, on virgülü atlamaktan daha ciddi olabilir.

Tether, doğruluk sonuçlarını yayımlıyor. Şirketin testlerinde 25 dilli model, Open ASR veri kümesinde %8,02, Common Voice’ta ise %21,56 kelime hata oranı kaydediyor. Sonuçlar farklı veri kümelerinden geliyor; bunları birbirinin yerine kullanılabilecek doğruluk ölçümleri gibi okumamak gerekir.

Bu rakamlar dikkate değer. Ama bir sonraki toplantınızın dökümünde kaç düzeltme yapacağınızı söylemiyor. Modeli bağımsız olarak test etmedik. Metin baştan sona düzeltme istiyorsa, daha hızlı işlenmesi yalnızca o işe daha erken başlamanızı sağlar.

Şu 1,65 saniye meselesi

Tether, modelin iPhone 17 Pro Max’te on dakikalık sesi 1,65 saniyede yazıya döktüğünü belirtiyor. Teknik belgelerde önemli bir ayrıntı var: bu süre, modelin çalışmaya hazırlandığı 12,7 saniyelik ilk başlatma aşamasını, yani cold start’ı içermiyor.

Bu hazırlık süresi her kayıtta tekrarlanmıyor. 1,65 saniye, model hazır olduktan sonraki işlem süresi; sıfırdan başlatıldığında bekleyeceğiniz toplam süre değil. Üstelik bu, belirli bir telefondan alınmış sonuç. Bütün cihazlar için verilmiş bir söz değil.

Canlı döküm henüz yok

Gerçek zamanlı etkileşim hakkında onca söze rağmen, resmî teknik SSS, bu sürümün bir kaydı veya konuşma parçasını ancak bittikten sonra işlediğini söylüyor. Konuşma sürerken yazıya dökme özelliği hâlâ geliştiriliyor.

Telefonlar için hazır sürümler sekiz dili destekliyor. Rusçanın da dâhil olduğu 25 dilli sürüm ise bilgisayarlar ve sunucular için ayrı bir sürüm. O daha uzun dil listesi, şu anda sunulan mobil sürümler için geçerli değil.

Şimdi bir de gerçek konuşmada deneyin

Burada denemeye değer bir şey var: indirilebilir modeller, cihaz üzerinde işlem, yayımlanmış test sonuçları ve model kartında belirtilen Apache 2.0 lisansı. Geliştiricilerin elinde gerçekten kullanılabilir bir yazılım var.

Şimdi bunu arka plan gürültüsü olan, insanların birbirinin sözünü kestiği bir konuşmada deneyin. Metni yayımlayın, düzeltmeleri sayın, aynı kaydı mevcut bir araçla işleyip sonuçları karşılaştırın. Sesi metne çeviren yazılım, yapacağınız işi azalttığı ölçüde anlamlıdır. Robotlar bekleyebilir.