我在一些 Ted 演讲中比较了 wav2vec 和 Microsoft STT 的准确度水平。
准确度级别是单词错误率
|Video |Wav2Vec|MicrosftSTT|
|:---: |:-----:|:---------:|
|[1][1]|8.57 |3.7 |
|[2][2]|13.83 |5.8 |
|[3][3]|20.7 |11.1 |
|[4][4]|12.5 |6.6 |
微软在每个文件上都比 Wav2vec 高出两倍。Wav2vec 不应该是最先进的吗？我在这里想念什么？
我使用 fairseq 中提供的 960hr 大模型来生成文本