Artificial Analysis: Zooms strömningsmodell mest träffsäker i sluttexten med 2,4 procents ordfelsfrekvens
I Artificial Analysis mätning AA-WER Streaming hade den slutliga transkriberingen från Zoom Scribe V2.1 Pro Live en ordfelsfrekvens på 2,4 procent. Det är knappt lägre än de 2,5 procent som MAI-Transcribe-2-Streaming fick. Priset är 0,40 dollar per ljudtimme.
Artificial Analysis, som jämför AI-modeller, skrev på X den 19 november att företaget har testat Zooms nya modell Zoom Scribe V2.1 Pro Live på egen hand. Modellen omvandlar tal till text i takt med att någon talar.
Måttet är ordfelsfrekvens (word error rate, WER), alltså andelen felaktigt transkriberade ord. Enligt bilden i inlägget räknar testet AA-WER Streaming felen i den slutliga texten efter att systemet har upptäckt att talet har tagit slut. Siffran säger alltså inget om hur korrekt den ofärdiga text som visas medan någon talar är.
Skillnaden mellan de två bästa resultaten är liten. Zooms 2,4 procent och MAI-Transcribe-2-Streamings 2,5 procent skiljer sig åt med 0,1 procentenheter i ett enda test. Skillnaden visar inte att Zooms modell skulle transkribera andra typer av ljud klart bättre än konkurrenten.
Zooms modell kostar 0,40 dollar per ljudtimme, eller 6,67 dollar per 1 000 minuter, uppger Artificial Analysis. Det är Pro-nivån i Live-läget i Zoom Scribe API. MAI-Transcribe-2-Streaming kostar 9 dollar per 1 000 minuter och ElevenLabs Scribe v3 Live 3,67 dollar.
Priserna skiljer sig mer åt än felfrekvenserna. Enligt bilden i Artificial Analysis första inlägg hade ElevenLabs modell en ordfelsfrekvens på 2,9 procent i samma test. En liten skillnad i ett enda test säger inte hur modellerna klarar andra typer av ljud. Därför kan det löna sig att prova den billigare modellen på egna inspelningar.