ScribeとOpenAIの4o Speech to Textモデルの比較

提供開始からわずか1か月で、私たちの音声テキスト変換（Speech to Text) モデル Scribeは、その業界最高水準の精度によって何千もの企業を魅了しました。メディアの字幕付けからコールセンター、医療用の文字起こしまで、Scribeは急速に開発者の間で選ばれるモデルとなっています。

業界最高水準のパフォーマンス

複数の第三者分析により、Scribeがすべてのモデルを上回り、OpenAIの新しい4oトランスクライブモデルを含むすべてのモデルを上回ることが確認されました。例えば、Artificial Analysisのベンチマークでは、Scribeが4oおよび4o miniトランスクリプトよりも平均してWord Error Rateで優れていることが示されています。

• 4oトランスクライブはScribeより16%多くエラーを出します
• 4o miniトランスクライブはScribeより71%多く誤りを犯します

チャートを挿入

Scribeは、OpenAIの独自のローンチベンチマークでも、4oおよび4o miniトランスクリプションモデルと同等かそれ以上の性能を発揮し、テストされた15言語のうち11言語で優れています。例えば、日本語とヒンディー語では、OpenAIの4oモデルよりも大幅に優れています。

• 日本語では、OpenAIの4oスピーチ to テキストモデルがScribeより55%多く誤りを犯し、4o miniモデルでは105%多く誤りを犯します
• • OpenAIの4oスピーチ to テキストモデルはScribeより55%多くエラーを出します
  • 彼らの4o miniモデルはScribeより105%多くエラーを出します
• ヒンディー語:
• • OpenAIの4oスピーチ to テキストモデルはScribeより18%多くエラーを出します
  • 彼らの4o miniモデルはScribeより37%多くエラーを出します

Scribeでは、顧客にとって可能な限り有用であるように決定を行いましたが、それが業界ベンチマークにおける不一致を生むこともあります。例えば：

1. Scribeは数字を「one」「two」「three」としてキャプチャしますが、FLEURSベンチマークでは実際の数字「1」「2」「3」を使用するため、エラーが発生します
2. Scribeは「hum」「ha」「hey」といった言葉を検出でき、顧客にとってより多くのコンテキストを得るのに役立ちますが、これらの言葉はベンチマークに含まれていないため、再び人工的なエラーが発生します

これが、パフォーマンスを考える際に最終結果を見ることが役立つ理由です。例えば、英語では、OpenAIの4oスピーチ to テキストモデルはベンチマークでScribeと同様のパフォーマンスを示します。しかし、英語のトランスクリプトを比較すると、Scribeの先進的な能力が際立ちます。以下のスポーツコメンテーターの分析では、Scribeは誤りを犯さず、意味を正確に捉えています。House of Dragonsのトレーラーの分析では、Scribeはミスをせず、サウンドエフェクトを拾い、適切にラベル付けし、没入感のあるトランスクリプトを作成します。

ElevenLabsのScribe

メッシが来た！ これが彼らが求めていたものです。メッシ。メッシ！何？ 冗談でしょう？芸術作品。 この男は純粋なサッカーの魔法に完全に直結しています。アルバが中に。これはメッシ！ああ、いや！また、薬の男が現れ、燃える槍を突き刺します。

OpenAIの4o

メッシの混乱！ これが彼らが求めていたものです！メッシ！ 冗談でしょう？！この男は純粋なサッカーの魔法のように完全に狂っています！アルバが中に。これはメッシ！また！ 薬の男が現れ、

英国議会の公聴会英国議会の公聴会キングズランディングの小民たちは聞いている。彼らは空腹だ。我々の贈り物が送られる。私に与えてください！陛下、我々は去らねばなりません。行きましょう。

企業向けソリューション

AIの進歩に伴い、しばしば見過ごされがちなグループが大きな利益を得ることができます。それは吃音のある人々です。吃音は遺伝的な音声障害で、人口の約1%に影響を与え、自動音声認識(ASR)システムに独自の課題をもたらします。吃音がほぼ4分の1の単語で発生するテストサンプルを用いた研究では、Scribeのパフォーマンスは特に印象的で、平均98.7%の精度を誇ります。これにより、Scribeが業界をリードし、すべての企業ニーズに合わせたモデルを提供していることが再び証明されました。（トランスクリプト作成時間: 4.66秒）そうだ、そうだ。（群衆のざわめき）申し訳ありません、私のアンティポデアンの背景に関係しているのかもしれません。質問を繰り返していただけますか？（群衆の笑い声）わあ。今日はとても人気がありますね。ええと、私は言っていましたが、障害を持つ議会の同僚が特定の部分を移動するのが非常に難しいと感じています。この改修作業を行っていることを考えると、障害を持つ人々がより自由に移動できるようにし、場所がアクセスしやすくなるために何ができるでしょうか？ポールさん。（群衆の笑い声）本当に申し訳ありません。アンティポデアン英語で非常にゆっくりとお願いできますか？アンティポデアン英語で非常にゆっくりとお願いできますか？ありがとう。どんな古い答えでもいいです。私は答えが助けられると思います読むときに、議長。そうですね、クリス・エルモア。（笑い声）ありがとう、副議長、最初の試みでやってみます。（群衆のざわめき）ああ、いや。あなたはウェールズ人です。私は-私は-私は-だって私はウェールズ人だから、神が彼を助けてくれますように。, so God help him.

ジャックからの更新チャートを含める

今日から始めましょう（トランスクリプト作成にかかった時間：5.01秒）申し訳ありません、私のアンティポデアンの背景に関係しているのかもしれません。質問を繰り返していただけますか？今日はとても人気がありますね。私は見ていますが、多くの障害を持つ議会の同僚が特定の部分を移動するのが非常に難しいと感じています。この改修作業を行っていることを考えると、障害を持つ人々がより自由に移動できるようにし、場所がアクセスしやすくなるために何ができるでしょうか？本当に申し訳ありません。アンティポデアン英語で非常にゆっくりとお願いできますか？答えが助けになると思います書面で返信できればあなたが読むときに。ありがとう、副議長、最初の試みでやってみます。だって私はウェールズ人だから、神が彼を助けてくれますように。

Scribeのパフォーマンスは、企業顧客のニーズを解決するために特化された機能セットで生き生きとしています。

尊敬する紳士にお尋ねしますが、

• 正確なワールドレベルのタイムスタンプは、クリエイター、メディア＆エンターテインメントにとって大きな価値を提供し、トランスクリプトをキャプション、検索可能なエントリー、正確な翻訳に変えます
• スマートスピーカーダイアリゼーションにより、会議、営業プレゼンテーション、カスタマーサポートの通話を要約し、最も正確で実用的な洞察を得て、チーム間の協力とトレーニングを向上させます
• ダイナミックオーディオタグ付けにより、オーディオ入力からより多くのコンテンツとコンテキストを得て、感情分析を可能にします
• 99言語に対応し、単一の統合で世界に簡単に到達
• これらすべての機能はAPIで利用可能で、デベロッパーが妥協なく構築できます
• Scribeのリアルタイムストリーミングバージョンと低遅延バージョンも、今後数週間で予定されています。これにより、Scribeはこれまでで最も先進的なスピーチ to テキストモデルとして確立され、すべてのビジネスユースケースをカバーし、速度、価格、精度の間でより多くの選択肢と柔軟性を提供します。

企業向けソリューション

Scribeのパフォーマンスは、企業顧客のニーズを解決するために特化された機能セットで生き生きとしています。営業チームにお問い合わせください、デモを設定し、ビジネスをどのように支援できるかをお見せできることを楽しみにしています。