Szakaszolás és pontosság

A Whisper szerver nem folyamatosan, szóról szóra ír, hanem szakaszokban: a program a beszédet darabokra bontja, és minden darabot egyben ír át. Hogy hol ér véget egy szakasz, az a felirat gyorsaságát és pontosságát egyaránt meghatározza. Ez a fejezet elmagyarázza, hogyan dől el a szakasz határa, és mit érdemes állítani, ha a felirat késik, villog vagy csonka.

A fejezet csak a Whisper szerver forrásra vonatkozik: a rendszer Élő feliratainál a felismerést a rendszer ütemezi, és a szakaszolás vezérlői tiltottak.

Hogyan lesz a beszédből mondat

1. A program figyeli a hangot, és egy beszédfelismerő küszöb alapján eldönti, mikor beszél valaki.
2. Amíg a beszéd tart, a szakasz nyitva van. Egy idő után megjelenik az előzetes szöveg – a mondat ideiglenes, még változó változata –, és rendszeresen frissül.
3. Ha a beszédben elég hosszú csend áll be (ez a mondathatár), vagy a szakasz eléri a leghosszabb szakasz hosszát, a szakasz lezárul. A szerver ekkor adja a végleges szöveget.
4. A végleges mondat megy tovább fordítani és – ha be van kapcsolva – tolmácsolni.

Hosszan, szünet nélkül beszélő előadónál a nyitott mondatot kézzel is le lehet zárni: a nyitott mondat azonnali lezáratása gyorsbillentyű (Ctrl+Alt+Enter, macOS-en Control+Option+Enter) azonnal véglegesíti, így a fordítás nem várja meg a mondat végét.

A három szakaszolási mód

Mód (a felületen)	Mit csinál	Mikor jó
Hibrid (alapbeállítás)	szakaszhatárok a beszéd szünetei szerint, közben előzetes szöveg	szinte mindig; ajánlott
VAD	csak végleges szöveg, a szakasz lezárása után; előzetes szöveg nincs	ha a villódzó előzetes szöveg zavar
Időközös	rögzített időablakok, a beszédfelismerés megkerülésével	ha a beszédfelismerés egy hangforráson nem működik (például zajos, folyamatos háttérhang)

A hibrid mód azért az alapbeállítás, mert egy valódi előadáson a beszédszakaszok 9–28 másodpercesek: ennyit nem lehet szöveg nélkül várni. Az előzetes szöveg alapból 2 másodperc beszéd után jelenik meg, és másodpercenként frissül.

A három időérték és a profilok

A szakaszolás három legfontosabb értéke:

• Mondathatár – ennyi csend (ezredmásodpercben) zárja le a mondatot. Kisebb érték: rövidebb mondatok, gyorsabb fordítás; nagyobb: több szövegkörnyezet.
• Leghosszabb szakasz – ennyi után a mondat akkor is lezárul, ha nincs csend.
• Első előzetes – ennyi beszéd után jelenik meg az első előzetes szöveg.

A három érték profilként egyben is választható. A profil a módhoz nem nyúl; ha a három érték egyik profillal sem egyezik, a választó „Egyéni”-t mutat.

Profil	Mondathatár	Leghosszabb szakasz	Első előzetes	Mikor
Gyors	150 ms	6 s	1 s	csevegés: rövid mondatok, gyors előzetes szöveg
Kiegyensúlyozott (alapbeállítás)	200 ms	10 s	2 s	a mért alapértékek; a legtöbb helyzetre jó
Pontos	400 ms	15 s	3 s	előadás: hosszabb szakaszok, több szövegkörnyezet a fordítónak

Hol állítható

• A feliratablak Bejövő hang paneljén (a kék ikonsor fogaskereke) a Profil, a Mód sor és a három csúszka – futás közben, újraindítás nélkül hat. Itt érdemes kísérletezni: a hatás a következő mondaton már látszik.
• A beállítóablak Munkamenet lapján ugyanezek az értékek, a modellel együtt; a lap leírása a Munkamenet, Haladó, Rendszer, Névjegy fejezetben áll.

A modell

A beállítóablak Munkamenet lapján a Modell mező választja ki a Whisper-modellt; üresen a szerver élő alapmodellje dolgozik. A listában kvantált változatok is vannak (például large-v3-turbo-q5_0): ezek tömörített súlyú modellek, kisebb helyet foglalnak a videómemóriában, cserébe hajszálnyival pontatlanabbak – mérve 95,5 % a 95,7 % helyett, 2,8-szer kevesebb memóriából. Kis videokártyán jó csere.

Az előző mondat előzményként

Ha Az előző mondat előzményként be van kapcsolva, a felismerő megkapja az előző mondatot is. Ez segíthet a nevek és a szakszavak megtartásában, de egy félreértett szó így tovább is öröklődhet. Alapból kikapcsolva; szakszavas előadásnál érdemes kipróbálni.

A haladó értékek

A Bejövő hang panel Haladó sora és a beállítóablak Haladó lapja a ritkán állítandó értékeket tartja. Ezek mért alapértékek; egy rossz érték nem hibát okoz, hanem csonka szavakat vagy elmaradó mondatokat – ha ilyet lát, itt keresse.

Érték (a panelen)	Mit jelent	Mikor nyúljon hozzá
Küszöb	mekkora jel számít beszédnek	zajos hívásnál emelje (kevesebb téves szakasz), halk beszélőnél csökkentse (kevesebb elveszett szó)
Min. beszéd	ennél rövidebb hang nem szakasz – a köhögés, zörej kiszűrése	ha rövid szavak vesznek el, csökkentse
Ráhagyás	ennyit tart meg a szakasz eleje előtt és vége után (alapból 100 ms)	ha a szavak eleje vagy vége csonka, emelje
Előzetes ütem	milyen sűrűn frissül az előzetes szöveg	ha a villódzás zavar, ritkítsa
Lépés, ablak, átfedés	az időközös mód rögzített ablakai	csak időközös módban számítanak

A beállítóablak alján az Alapértelmezett értékek gomb ezeket is a mért alapra állítja vissza.

A kimenő irány saját szakaszolása

Ha a saját beszédét is fordítja a hívásba (kimenő irány), annak más a célja: a gyorsaság, mert a másik fél csendet hall, amíg a fordítás készül. A beállítóablak Fordítás lapján a Saját szakaszolás a kimenő iránynak kapcsolóval a kimenő irány saját értékeket kap – bekapcsoláskor a Gyors profil értékeivel. A modell ilyenkor is közös. A feliratablak Kimenő irány panelén a kimenő értékek külön állíthatók; a Közös profil a közös szakaszoláshoz vezet vissza.

Tünet és teendő

Amit lát	Mit próbáljon
a fordítás sokat késik a mondat végéhez képest	Gyors profil, vagy kisebb mondathatár
a mondatok túl rövidek, a fordítás darabos	Pontos profil, vagy nagyobb mondathatár
az előzetes szöveg villódzik és zavar	VAD mód, vagy ritkább előzetes ütem
a szavak eleje vagy vége lemarad	nagyobb ráhagyás
zajban kitalált, értelmetlen mondatok jelennek meg	magasabb küszöb
halk beszélőnél kimaradnak mondatok	alacsonyabb küszöb
egy hangforráson egyáltalán nem jön felirat, pedig van jel	időközös mód

Hova tovább

• Feliratforrások és a beszéd nyelve – a forrás és a nyelv
• Fordítás – mi történik a végleges mondattal