مثال حقيقي · الصوت والأفاتار والتفريغ النصي
اختاروا محرّك تفريغ صوتي بعد اختبار عشرة مزوّدين
ماذا فعلوا
شركة Fyxer، التي تصنع مساعد بريد إلكتروني ومدوّن اجتماعات بالذكاء الاصطناعي، اختبرت عشرة مزوّدين لتحويل الكلام إلى نص على تسجيلات اجتماعاتها الخاصة، وأجرت اختبار A/B حيًّا، ثم جعلت ElevenLabs Scribe مزوّدها الوحيد للتفريغ.
كيف كانت النتيجة
تذكر Fyxer انخفاضًا قدره 20% في معدل أخطاء الكلمات مع نسبة المتحدث مقارنة بالمجموعة الضابطة، وتحويلًا من التجربة إلى الاشتراك المدفوع بنسبة 20.3% مقابل 17.6% عبر أكثر من 6,000 مؤسسة، أي ارتفاعًا نسبيًا بـ 15%.
ما يجدر معرفته
نشرتها ElevenLabs نفسها، فهي من جهة البائع. التسجيلات خاصة، ولا تُذكر معدلات الخطأ المطلقة ولا مدة الاختبار، ولا يُسمّى المزوّد القديم.
جرّبها بنفسك مع ElevenLabs
استبدل ما بين [الأقواس] بمعلوماتك.
ساعدني في تصميم اختبار عادل لمقارنة [عدد] خدمات لتحويل الكلام إلى نص من أجل [حالة الاستخدام]. اقترح عينة من [50] تسجيلًا حقيقيًا تغطي اللهجات والضجيج الخلفي وتعدد المتحدثين، وطريقة إعداد النصوص المرجعية، والمقاييس المطلوب حسابها (معدل أخطاء الكلمات، وتمييز المتحدثين، والأسماء والأرقام)، وجدولًا لتسجيل النتائج.English version
Help me design a fair test to compare [number] speech-to-text services for [use case]. Suggest a sample of [50] real recordings that covers accents, background noise and several speakers, how to create reference transcripts, the metrics to compute (word error rate, speaker labels, names and numbers), and a table to record results.اقرأ المصدر الأصلي
Fyxer uses ElevenLabs Speech to Text to power meeting notetaker ↗
elevenlabs.io · · قصة عميل من الشركة نفسها
منسوب إلى المصدر المرتبط أدناه، وليس اختباراً من عندنا.
