အင်္ဂလိပ်၊ ဂျပန်၊ ကိုရီးယား၊ တရုတ်နှင့် ဗီယက်နမ်ဘာသာစကားများအတွက် ဘာသာစကားစုံ speech-to-text မော်ဒယ်ဖြစ်သော VoicePing ASR Model V0.1 ကို မိတ်ဆက်အပ်ပါသည်။
VoicePing ASR Model V0.1 ကို မိတ်ဆက်ခြင်း
ယနေ့တွင် VoicePing ၌ အသုံးအများဆုံးဖြစ်သော အင်္ဂလိပ်၊ ဂျပန်၊ ကိုရီးယား၊ တရုတ်နှင့် ဗီယက်နမ် ဘာသာစကားများအတွက် ကျွန်ုပ်တို့၏ ဘာသာစကားစုံ စကားသံမှ စာသားပြောင်းလဲပေးသည့် မော်ဒယ်ဖြစ်သော VoicePing ASR Model V0.1 ကို မိတ်ဆက်အပ်ပါသည်။
VoicePing ကို ဘာသာစကားစုံ အသံဖြင့်ပြောဆိုဆက်သွယ်မှုကို ဗဟိုပြု၍ တည်ဆောက်ထားပါသည် — အစည်းအဝေးများ၊ ပွဲအစီအစဉ်များ၊ အသံဘာသာပြန်ခြင်း၊ စာသားမှတ်တမ်းများ၊ အနှစ်ချုပ်များနှင့် ရှာဖွေမှုတို့ ဖြစ်ပါသည်။ ထိုလုပ်ငန်းစဉ်များတွင် ASR (Automatic Speech Recognition — အလိုအလျောက် စကားသံမှတ်သားမှုစနစ်) သည် သီးခြားလုပ်ဆောင်ချက်တစ်ခုမျှသာ မဟုတ်ပါ။ ၎င်းသည် ထုတ်ကုန်အတွေ့အကြုံတစ်ခုလုံး၏ ပထမဆုံးအလွှာ ဖြစ်ပါသည်။ စာသားမှတ်တမ်း မတည်ငြိမ်ပါက နောက်ဆက်တွဲအဆင့်တိုင်း၏ အသုံးဝင်မှုလည်း လျော့နည်းသွားပါသည်။
VoicePing ASR Model V0.1 ကို ထိုလက်တွေ့အခြေအနေအတွက် ရည်ရွယ်ဒီဇိုင်းဆွဲထားပါသည်။ ကျွန်ုပ်တို့ အဓိကဝန်ဆောင်မှုပေးနေသော ပင်မဘာသာစကား ငါးမျိုးအပေါ် အာရုံစိုက်ထားပြီး လက်တွေ့စကားပြောဆိုမှုများအတွက် ပိုမိုသန့်ရှင်းတိကျသော စာသားမှတ်တမ်းများ ထုတ်ပေးရန် ရည်မှန်းထားပါသည်။
ဘာသာစကားစုံအလုပ်များအတွက် မော်ဒယ်တစ်ခုတည်း
အထွေထွေသုံး စကားသံမှတ်သားမှုနည်းပညာများ လျင်မြန်စွာ တိုးတက်လာခဲ့သော်လည်း လက်တွေ့ ဘာသာစကားစုံ အသံဖိုင်များတွင် ခက်ခဲသည့်အပိုင်းများ ကျန်ရှိနေဆဲ ဖြစ်ပါသည်။
- ဂျပန်၊ ကိုရီးယားနှင့် တရုတ်ဘာသာစကားများသည် ဘာသာစကားသဘာဝကို နားလည်သော စာသားကိုင်တွယ်မှု လိုအပ်သည်။
- ဗီယက်နမ်ဘာသာစကားသည် အသံနိမ့်မြင့်သင်္ကေတများနှင့် စကားလုံးနယ်နိမိတ်များ၏ တိကျမှုအပေါ် မူတည်သည်။
- ရှည်လျားသော သို့မဟုတ် ဆူညံသံပါသော အသံဖိုင်များတွင် စာသားမပြည့်စုံခြင်း၊ ထွက်ရှိမှုအလွတ်ဖြစ်ခြင်းနှင့် စာသားထပ်ခါထပ်ခါ ထွက်ပေါ်ခြင်းများ ဖြစ်တတ်သည်။
- API ပုံစံ တူညီနေသော်လည်း cloud မော်ဒယ်များသည် ဘာသာစကားတစ်ခုနှင့်တစ်ခုကြား ကွဲပြားစွာ လုပ်ဆောင်တတ်သည်။
- အများပြည်သူသုံး စံနှုန်းစမ်းသပ်မှု (benchmark) တွင် ရလဒ်ကောင်းသောစနစ်တစ်ခုသည် အစည်းအဝေး၊ ပွဲအစီအစဉ်နှင့် အသံဘာသာပြန်ခြင်းတို့အတွက် အသင့်တော်ဆုံးဟု အမြဲမဆိုနိုင်ပါ။
VoicePing ASR Model V0.1 သည် ဤဘာသာစကားငါးမျိုးပါ ထုတ်ကုန်နယ်ပယ်ကို ဗဟိုပြုတည်ဆောက်ထားသော ကျွန်ုပ်တို့၏ ပထမဆုံး ပေါင်းစည်းမော်ဒယ် ဖြစ်ပါသည်။ အောက်ပါ benchmark သည် လက်တွေ့ကျသောမေးခွန်းတစ်ခုကို ဖြေဆိုပါသည် — ကျွန်ုပ်တို့၏ အသုံးပြုသူများ အမှန်တကယ် အလေးထားသော စကားသံများကို မည်မျှကောင်းမွန်စွာ စာသားပြောင်းပေးနိုင်သနည်း။
မည်သည့်အလုပ်များ လုပ်ဆောင်ပေးသနည်း
VoicePing ASR Model V0.1 သည် အောက်ပါဘာသာစကားများဖြင့် ပြောဆိုသည့် စကားသံများကို စာသားပြောင်းပေးပါသည် —
- အင်္ဂလိပ်
- ဂျပန်
- ကိုရီးယား
- တရုတ်
- ဗီယက်နမ်
ထွက်ရှိလာသော စာသားမှတ်တမ်းသည် ဘာသာပြန်ခြင်း၊ စာတန်းထိုးခြင်း၊ အစည်းအဝေးမှတ်စုများနှင့် ရှာဖွေနိုင်သော စကားပြောမှတ်တမ်းကဲ့သို့သော နောက်ဆက်တွဲ VoicePing လုပ်ဆောင်ချက်များကို အားဖြည့်ပေးပါသည်။
ဤဆောင်းပါးတွင် ASR နှင့် STT (Speech-to-Text — စကားသံမှ စာသားပြောင်းလဲခြင်း) ကို အဓိပ္ပာယ်တူအဖြစ် အပြန်အလှန် အသုံးပြုထားပါသည်။ နှစ်ခုစလုံးသည် စကားသံကို စာသားအဖြစ် ပြောင်းလဲမှတ်တမ်းတင်ခြင်းကို ဆိုလိုပါသည်။
အကဲဖြတ်စမ်းသပ်မှုများ
ဒေတာအစု
ဤအကဲဖြတ်မှုတွင် ဘာသာစကားတစ်မျိုးလျှင် အသံကလစ် 1,000 ခုစီပါဝင်ပြီး စုစုပေါင်း အသံနာရီ 41 နာရီခန့်ရှိသော VoicePing ၏ ဘာသာစကားစုံ အသံဒေတာအစုကို အသုံးပြုထားပါသည်။ အသံကလစ်များသည် သန့်ရှင်းစွာ ဖတ်ရွတ်ထားသော အသံသွင်းချက်များမဟုတ်ဘဲ VoicePing လက်တွေ့ကိုင်တွယ်ရသည့် စကားပြောဆိုမှုအမျိုးအစားများကို ထင်ဟပ်စေပါသည်။
| ဘာသာစကား | ကလစ်အရေအတွက် |
|---|---|
| အင်္ဂလိပ် | 1,000 |
| ဂျပန် | 1,000 |
| ဗီယက်နမ် | 1,000 |
| ကိုရီးယား | 1,000 |
| တရုတ် | 1,000 |
| စုစုပေါင်း | 5,000 |
စနစ်တိုင်းကို တူညီသော အသံဒေတာအစုဖြင့် စမ်းသပ်ထားပါသည်။
နှိုင်းယှဉ်ခဲ့သည့် မော်ဒယ်များ
VoicePing ASR Model V0.1 ကို ကျယ်ကျယ်ပြန့်ပြန့် အသုံးပြုနေကြသော cloud စကားသံစနစ်များနှင့် open ASR မော်ဒယ်များဖြစ်သည့် Google Cloud STT၊ Azure AI Speech၊ OpenAI transcription မော်ဒယ်များ၊ ElevenLabs Scribe v2၊ Deepgram Nova-3၊ Qwen3-ASR နှင့် SenseVoiceSmall တို့နှင့် နှိုင်းယှဉ်ထားပါသည်။
အမှတ်ပေးစနစ်
အဓိကတိုင်းတာချက်မှာ word error rate (WER — စကားလုံးအမှားနှုန်း) ဖြစ်ပြီး နည်းလေ ကောင်းလေဖြစ်ပါသည်။ WER သည် လူသားရေးသားထားသော ကိုးကားစာသားနှင့် နှိုင်းယှဉ်၍ စကားလုံးမည်မျှ ထပ်ထည့်မိခြင်း၊ ကျန်ခဲ့ခြင်း သို့မဟုတ် မှားယွင်းအစားထိုးခြင်း ဖြစ်သည်ကို တိုင်းတာပါသည်။
တုံ့ပြန်ချိန် (Latency)
ထုတ်လုပ်မှုအဆင့် ASR အတွက် တိကျမှုတစ်ခုတည်းသာ လိုအပ်ချက်မဟုတ်ပါ။ စနစ်တစ်ခုစီက စာသားမှတ်တမ်း ပြန်ပေးရန် ကြာမြင့်ချိန်ကိုလည်း တိုင်းတာထားပါသည်။ အကြောင်းမှာ တိကျသော်လည်း နှေးကွေးသည့်မော်ဒယ်သည် တိုက်ရိုက်အစည်းအဝေးများနှင့် ပွဲအစီအစဉ်များတွင် အသုံးပြုရ အဆင်မပြေနိုင်သောကြောင့် ဖြစ်ပါသည်။
အဓိကရလဒ်များ
အောက်ပါဇယားကွက်ပုံသည် ဤ benchmark တွင် ပါဝင်သော VoicePing ASR Model V0.1 နှင့် ပြင်ပ speech-to-text စနစ်များ၏ ဘာသာစကားငါးမျိုးအလိုက် ပျမ်းမျှ စကားလုံးအမှားနှုန်းကို နှိုင်းယှဉ်ပြထားပါသည်။ ဘားနိမ့်လေ ကောင်းလေဖြစ်ပါသည်။ ဘာသာစကားအလိုက် ဇယားကွက်ပုံများကို ရလဒ်အပိုင်းတွင် ဆက်လက်ဖော်ပြထားပါသည်။
ဘာသာစကားအလိုက် တိကျမှု
| စနစ် | EN WER | JA WER | VI WER | KO WER | ZH WER | Macro WER |
|---|---|---|---|---|---|---|
| VoicePing ASR Model V0.1 | 20.2% | 20.4% | 15.5% | 24.5% | 16.0% | 19.3% |
| Google Cloud STT V1 default | 23.1% | 23.5% | 52.1% | 57.8% | 44.2% | 40.1% |
| Google Cloud STT Chirp 2 | 24.5% | 29.7% | 14.8% | 32.8% | 22.6% | 24.9% |
| Google Cloud STT Chirp 3 | 22.9% | 26.4% | 20.1% | 37.4% | 19.2% | 25.2% |
| Azure AI Speech | 23.0% | 21.1% | 21.0% | 37.3% | 22.5% | 25.0% |
| OpenAI GPT-4o Transcribe | 50.6% | 52.4% | 64.3% | 44.1% | 29.1% | 48.1% |
| OpenAI GPT Realtime Whisper | 31.8% | 26.2% | 20.9% | 33.0% | 22.4% | 26.9% |
| Qwen3-ASR 0.6B | 23.8% | 29.7% | 26.2% | 38.2% | 20.9% | 27.7% |
| Qwen3-ASR 1.7B | 21.9% | 25.0% | 22.0% | 33.1% | 20.0% | 24.4% |
| SenseVoiceSmall | 28.0% | 37.4% | 99.9% | 45.9% | 28.1% | 47.9% |
| ElevenLabs Scribe v2 | 28.6% | 20.3% | 15.4% | 31.5% | 21.2% | 23.4% |
| Deepgram Nova-3 | 29.3% | 28.0% | 38.4% | 44.8% | 29.2% | 34.0% |
အဆင့်သတ်မှတ်ဇယား
| စနစ် | Macro WER | Median တုံ့ပြန်ချိန် | မှတ်ချက် |
|---|---|---|---|
| VoicePing ASR Model V0.1 | 19.3% | 1.22s | VoicePing ဘာသာစကားစုံ ASR |
| Google Cloud STT V1 default | 40.1% | 7.47s | Cloud speech-to-text ဝန်ဆောင်မှု |
| Google Cloud STT Chirp 2 | 24.9% | 7.12s | Cloud speech-to-text ဝန်ဆောင်မှု |
| Google Cloud STT Chirp 3 | 25.2% | 7.32s | Cloud speech-to-text ဝန်ဆောင်မှု |
| Azure AI Speech | 25.0% | 7.12s | Cloud speech-to-text ဝန်ဆောင်မှု |
| OpenAI GPT-4o Transcribe | 48.1% | 1.53s | OpenAI transcription မော်ဒယ် |
| OpenAI GPT Realtime Whisper | 26.9% | 7.17s | OpenAI transcription မော်ဒယ် |
| Qwen3-ASR 0.6B | 27.7% | 3.56s | Open ASR မော်ဒယ် |
| Qwen3-ASR 1.7B | 24.4% | 4.18s | Open ASR မော်ဒယ် |
| SenseVoiceSmall | 47.9% | 0.07s | Open ASR မော်ဒယ် |
| ElevenLabs Scribe v2 | 23.4% | 3.07s | Cloud speech-to-text ဝန်ဆောင်မှု |
| Deepgram Nova-3 | 34.0% | 1.33s | Cloud speech-to-text ဝန်ဆောင်မှု |
VoicePing ASR Model V0.1 သည် ဤ benchmark တွင် အနိမ့်ဆုံး macro WER ကို ရရှိထားသည့်အပြင် 1.22 စက္ကန့်ဖြင့် အမြန်ဆုံး median တုံ့ပြန်ချိန်များအနက် တစ်ခုကိုပါ ပေါင်းစပ်ရရှိထားပါသည်။ ဤစမ်းသပ်မှုတွင် ၎င်းထက်မြန်စွာ တုံ့ပြန်နိုင်သောစနစ်များသည် ထိုအမြန်နှုန်းအတွက် တိကျမှုအမြောက်အမြား စွန့်လွှတ်ထားရပါသည်။
ဘာသာစကားအလိုက် ရလဒ်များ
အင်္ဂလိပ်ဘာသာ
VoicePing ASR Model V0.1 သည် ဤနှိုင်းယှဉ်မှုတွင် အင်္ဂလိပ်ဘာသာ WER အနိမ့်ဆုံးဖြစ်သော 20.2% ဖြင့် Qwen3-ASR 1.7B နှင့် ဤစမ်းသပ်မှုပါ အဓိက cloud စနစ်ကြီးများကို ကျော်ဖြတ်ထားပါသည်။
ဂျပန်ဘာသာ
ဂျပန်ဘာသာစကားသည် VoicePing အတွက် အရေးအကြီးဆုံး ဘာသာစကားများထဲမှ တစ်ခုဖြစ်ပါသည်။ ဤဒေတာအစုတွင် VoicePing ASR Model V0.1 သည် WER 20.4% ရရှိပြီး ဂျပန်ဘာသာ အကောင်းဆုံးရလဒ်အတွက် ElevenLabs Scribe v2 (20.3%) နှင့် တန်းတူနီးပါးဖြစ်ကာ Azure AI Speech နှင့် open ASR အခြေခံမော်ဒယ်များကို ကျော်ဖြတ်ထားပါသည်။
ဗီယက်နမ်ဘာသာ
ဗီယက်နမ်ဘာသာစကားသည် ဤ benchmark တွင် အပြိုင်အဆိုင်အပြင်းထန်ဆုံး ဖြစ်ပါသည်။ Google Cloud STT Chirp 2 က WER 14.8% ဖြင့် ဦးဆောင်နေပြီး ElevenLabs Scribe v2 (15.4%) နှင့် VoicePing ASR Model V0.1 (15.5%) တို့က တန်းတူနီးပါး ကပ်လျက်လိုက်နေပါသည်။
ကိုရီးယားဘာသာ
ကိုရီးယားဘာသာစကားတွင် ဤ benchmark ၏ အထင်ရှားဆုံး ကွာဟချက်များထဲမှ တစ်ခုကို တွေ့ရပါသည်။ VoicePing ASR Model V0.1 သည် WER 24.5% ဖြင့် နောက်လိုက်စနစ်အုပ်စုကို သိသိသာသာ ကျော်ဖြတ်ထားပါသည်။
တရုတ်ဘာသာ
တရုတ်ဘာသာစကားသည်လည်း VoicePing ASR Model V0.1 အတွက် အားသာသောနယ်ပယ်တစ်ခုဖြစ်ပြီး WER 16.0% ဖြင့် Google Cloud STT Chirp 3 နှင့် Qwen3-ASR 1.7B တို့က အနီးဆုံးလိုက်နေပါသည်။
ကျွန်ုပ်တို့ သိရှိလာသည်များ
- VoicePing ASR Model V0.1 သည် ဘာသာစကားငါးမျိုးအလိုက် macro WER 19.3% ဖြင့် ဤ benchmark တွင် အလုံးစုံတိကျမှု အကောင်းဆုံး ဖြစ်ပါသည်။
- ရလဒ်သည် ဘာသာစကားတိုင်းတွင် တစ်ပြေးညီမဟုတ်ပါ — ဤစမ်းသပ်မှုတွင် အင်္ဂလိပ်၊ ကိုရီးယားနှင့် တရုတ်ဘာသာစကားများ၌ VoicePing ၏ အားသာချက် အထင်ရှားဆုံးဖြစ်ပြီး ဂျပန်ဘာသာစကားတွင် အကောင်းဆုံး cloud စနစ်နှင့် တန်းတူနီးပါးဖြစ်ကာ ဗီယက်နမ်ဘာသာစကားတွင်မူ တစ်မှတ်အောက် ကွာဟချက်ဖြင့် အပြိုင်အဆိုင် ကပ်နေပါသည်။
- ပိုကြီးမားသော အထွေထွေသုံးစနစ်များသည် ထုတ်ကုန်သီးသန့် ဘာသာစကားစုံ စကားသံများတွင် အလိုအလျောက် အနိုင်မရနိုင်ပါ။
- အထူးသဖြင့် တိုက်ရိုက်အစည်းအဝေးများနှင့် ပွဲအစီအစဉ်များတွင် အသုံးပြုသူအတွေ့အကြုံအတွက် တိကျမှုနှင့် တုံ့ပြန်ချိန် နှစ်ခုစလုံး အရေးကြီးပါသည်။
ရှေ့ဆက်လုပ်ဆောင်မည့်အရာများ
VoicePing ASR Model V0.1 သည် ပထမဆုံးထုတ်ဝေမှုဖြစ်ပြီး ဤ benchmark သည်လည်း အချိန်တစ်ခုတည်း၏ မှတ်တမ်းသာ ဖြစ်ပါသည်။ ဒေတာအစုကို VoicePing လက်တွေ့ကိုင်တွယ်ရသည့် စကားသံအမျိုးအစားများဖြင့် တည်ဆောက်ထားသောကြောင့် ၎င်းသည် အများသုံး benchmark တစ်ခုကို ကိုယ်စားပြုခြင်းမဟုတ်ဘဲ ကျွန်ုပ်တို့ထုတ်ကုန်အတွက် အသင့်ဖြစ်မှုကို တိုင်းတာခြင်းဖြစ်ပါသည်။ နှိုင်းယှဉ်မှုတွင်ပါဝင်သော cloud စနစ်များသည် ဆက်လက်တိုးတက်ပြောင်းလဲနေမည်ဖြစ်သကဲ့သို့ ကျွန်ုပ်တို့၏မော်ဒယ်လည်း ထိုနည်းတူဖြစ်ပါသည်။ တုံ့ပြန်ချိန်သည်လည်း အသုံးချသည့်ပတ်ဝန်းကျင်အပေါ် မူတည်သောကြောင့် အမြန်နှုန်းကိန်းဂဏန်းများကို ပုံသေတန်ဖိုးများအဖြစ်မဟုတ်ဘဲ ခန့်မှန်းညွှန်းကိန်းများအဖြစ်သာ ရှုမြင်စေလိုပါသည်။
ဤအကဲဖြတ်မှုက ညွှန်ပြသောနေရာများကို ဗဟိုပြု၍ ရှေ့ဆက်လုပ်ဆောင်သွားမည်ဖြစ်ပါသည် — ဘာသာစကားတစ်ခုစီတွင် ကျန်ရှိနေသေးသော အမှားပုံစံများကို လျှော့ချခြင်း၊ ပိုဆူညံ၊ ပိုရှည်လျားပြီး နယ်ပယ်သီးသန့်ဆန်သော အသံများဖြင့် စမ်းသပ်ဒေတာအစုကို တိုးချဲ့ခြင်းနှင့် speech-to-text စနစ်အသစ်များ ထွက်ပေါ်လာသည်နှင့်အမျှ နှိုင်းယှဉ်မှုကို ချဲ့ထွင်ခြင်းတို့ ဖြစ်ပါသည်။ အလိုအလျောက် အမှတ်ပေးမှုများက ထိုလုပ်ငန်းကို လမ်းညွှန်ပေးပြီး လူသားများ၏ စာသားမှတ်တမ်း ပြန်လည်စစ်ဆေးမှုသည် ထုတ်ဝေမှုဆုံးဖြတ်ချက်တိုင်း၏ အစိတ်အပိုင်းအဖြစ် ဆက်လက်ရှိနေမည် ဖြစ်ပါသည်။
နိဂုံး
VoicePing ASR Model V0.1 သည် အင်္ဂလိပ်၊ ဂျပန်၊ ကိုရီးယား၊ တရုတ်နှင့် ဗီယက်နမ်ဘာသာစကားများအတွက် ကျွန်ုပ်တို့၏ ပထမဆုံး ပေါင်းစည်းထားသော ဘာသာစကားစုံ ASR မော်ဒယ် ဖြစ်ပါသည်။ အသံကလစ် 5,000 ခုပါ ဤ benchmark တွင် စမ်းသပ်ခဲ့သောစနစ်များအနက် အလုံးစုံတိကျမှု အကောင်းဆုံးကို အမြန်ဆုံးတုံ့ပြန်ချိန်များအနက်တစ်ခုဖြင့် ပေးစွမ်းနိုင်ခဲ့ပါသည် — ထို့အပြင် ၎င်းသည် အခြား VoicePing လုပ်ဆောင်ချက်အားလုံး၏ အခြေခံဖြစ်သော စာသားပြောင်းလဲမှုအလွှာလည်း ဖြစ်ပါသည်။
အရေးကြီးသော ပြောင်းလဲမှုမှာ အာရုံစိုက်ရာနေရာ ဖြစ်ပါသည် — ကျွန်ုပ်တို့သည် ASR ကို သီးခြားမော်ဒယ်သရုပ်ပြတစ်ခုအဖြစ် အကဲဖြတ်ခြင်းမဟုတ်ဘဲ လက်တွေ့ ဘာသာစကားစုံ ဆက်သွယ်ရေးထုတ်ကုန်တစ်ခု၏ အစိတ်အပိုင်းအဖြစ် အကဲဖြတ်နေခြင်း ဖြစ်ပါသည်။
