Сравнение трёх алгоритмов транскрибации: Whisper, встроенный в macOS и автоматическая расшифровка YouTube

При работе с видеоконтентом нередко возникает задача получить точную текстовую расшифровку. Качество транскрипции напрямую влияет на удобство дальнейшей обработки: поиск по тексту, добавление субтитров, анализ контента, подготовка документации или статей.

В этой статье я сравню три автоматических решения для транскрибации одного и того же технического видеоролика:

1. Алгоритм на базе Whisper от OpenAI

2. Встроенный механизм распознавания речи в macOS

3. Автоматическая расшифровка, сгенерированная в YouTube

Наш тестовый материал — ролик о переделке и настройке шаблонов для сайта, включающий технические термины, специфичную лексику, а также рабочий процесс с файлами и расширениями.

Критерии оценки

Я сосредоточился на следующих аспектах:

• Полнота и детализация: Насколько транскрибация близка к оригиналу, без пропуска ключевой информации?

• Точность терминологии: Правильность передачи технических терминов, имён файлов, свойств, кодовых фрагментов.

• Читаемость и связность: Насколько итоговый текст удобен для восприятия, можно ли по нему понять суть оригинального доклада?

1. Whisper: максимальная точность и детализация

Плюсы:

• Глубина и полнота: Whisper смог сохранить структуру речи, комментарии, паузы, переходы между темами.

• Терминология: Технические термины (originalName, application/pdf, «включаем область», «хабблок», «файлсайз») переданы чётко и без серьёзных искажений.

• Логика и последовательность: Видна чёткая линия повествования: от настройки шаблонов до детальной работы с файлом и его свойствами.

Минусы:

• Редкие искажения отдельных слов («дефолктный шубон» вместо «дефолтный шаблон»), однако общий контекст остаётся понятным.

Итог:
Whisper даёт очень высокое качество транскрибации. Текст легко понять, и из него можно извлечь все необходимые подробности.

2. Встроенный алгоритм в macOS: упрощение и потеря деталей

Плюсы:

• Быстрая доступность: не требуется внешних сервисов.

Минусы:

• Слабая детализация: Множество пропусков и упрощений, технические детали теряются.

• Неточность терминологии: Сложные термины часто искажены или отсутствуют.

• Смысловые пробелы: Текст получается фрагментарным, логика нарушена.

Итог:
Для технических материалов качество слишком низкое. Можно использовать только для очень простого текста.

3. Автоматическая транскрибация YouTube: добротная середина

Плюсы:

• Хорошая полнота: Текст объёмный, относительная близость к исходному содержанию.

• Лучше, чем macOS в терминах: Хотя иногда встречаются искажения («Нуф» вместо «PDF»), в целом восприятие более чёткое.

Минусы:

• Периодические искажения слов, нет стопроцентной точности в специфических терминах.

• Менее точна, чем Whisper, особенно в технических нюансах.

Итог:
YouTube предлагает средний по качеству вариант. Подойдёт, если не критична точность и нужен просто общий смысл.

Сравнительная таблица

(Звёздочки для наглядности.)

Выводы

• Whisper: Лучший выбор для технического контента. Предоставляет максимальную точность и глубину.

• YouTube: Приемлемый вариант, если нет доступа к Whisper и не нужна идеальная точность.

• macOS: Слишком слаб для технических задач, подходит только для очень простого материала.

Если вам важна детальность, точная терминология и удобство дальнейшей аналитики — рекомендую ориентироваться на Whisper или другие внешние сервисы с высоким качеством распознавания.