วิธีการรับระบบบันทึกการประชุม: แบบประเมินหกเกณฑ์สำหรับผู้ซื้อ
ค่าความแม่นยำของการถอดเสียงเป็นข้อความที่ ≥98% เป็นเพียงขั้นตอนเบื้องต้นเท่านั้นต่อไปนี้คือเกณฑ์การยอมรับ6ข้อได้แก่ความแม่นยำ, การแยกผู้พูด, การคงสภาพของผลสรุป, ความสมบูรณ์ของรายการดำเนินการ, ความหน่วงเวลาและการทำงานแบบออฟไลน์พร้อมวิธีทดสอบเกณฑ์ผ่านและข้อผิดพลาดที่พบบ่อยรวมถึงแบบฟอร์มประเมินผลที่คุณสามารถนำไปใช้ในการจัดซื้อได้ทันที

ในระหว่างกระบวนการจัดซื้อทีมส่วนใหญ่มักให้ความสำคัญกับตัวเลขเพียงตัวเดียวนั่นคือ ความแม่นยำของการถอดเสียงเป็นข้อความ ตัวเลขอย่างเป็นทางการอยู่ที่ ≥98% สำหรับภาษาจีนกลางมาตรฐานซึ่งแน่นอนว่าเป็นเรื่องสำคัญแต่รายงานที่พบบ่อยหลังเปิดตัวคือ: “เรายังคงต้องส่งคนไปจัดการให้เรียบร้อย”
ปัญหาคือ มีการใช้หมายเลขเดียวเพื่อรับระบบที่มีหลายขั้นตอน. ความแม่นยำของการถอดเสียงเป็นข้อความตอบเท่านั้น "คือตัวละครที่ถูกต้อง" ในขณะที่บันทึกการประชุมสามารถใช้ได้หรือไม่ขึ้นอยู่กับว่าลำโพงประกอบอย่างถูกต้องหรือไม่ไม่ว่าจะสรุปข้อสรุปใดก็ตามไม่ว่าจะเป็นการกระทำที่ลงจอดบนเจ้าของหรือไม่ไม่ว่าจะยอมรับเวลาแฝงและ-ในสถานการณ์ที่ไวต่อการปฏิบัติตามข้อกำหนด-ไม่ว่าโซ่ทั้งหมดจะอยู่ในสถานที่จริงหรือไม่
หมายเหตุ: บทความนี้จัดระเบียบจากมุมมองของการยอมรับของผู้ซื้อความแม่นยำความแม่นยำในการโทรออกความหน่วงแฝงแบบ end-to-end ความเร็วในการแปลด้วยเครื่องจักรและประสิทธิภาพของไฟล์-การถอดเสียงเป็นข้อความเป็นข้อมูลจำเพาะที่ตีพิมพ์อย่างเป็นทางการจัดเรียงคำจำกัดความเหล่านี้ให้ตรงกันก่อนทำการทดสอบ
1.แก้ไขเกณฑ์การยอมรับก่อนที่คุณจะผู้ขายรายชื่อสั้น
ลำดับที่พบบ่อยที่สุดในการจัดซื้อจัดจ้างคือ: รับชมการสาธิตจากผู้ขายเลือกผู้ขายรายหนึ่งแล้วจึงเจรจาเพื่อให้ได้ข้อตกลงในการรับมอบสินค้ามีผลตามมาสองประการ
ประการแรกเมตริกเหล่านี้กลายเป็นสิ่งที่ไม่สามารถเปรียบเทียบกันได้ สำหรับการบันทึกเสียงชุดเดียวกันผู้ให้บริการรายหนึ่งรายงานว่า “ความแม่นยำของอักขระ98.2%” ในขณะที่อีกรายหนึ่งรายงานว่า “ความแม่นยำของคำ97.6%” — ตัวเลขที่ดูใกล้เคียงกันแต่ประเมินสิ่งที่แตกต่างกันโดยสิ้นเชิงหนึ่งนับเครื่องหมายวรรคตอนอื่นๆไม่ได้; หนึ่งใช้ห้องที่เงียบสงบ, อื่นๆที่ใช้การประชุมที่แท้จริงจีคิวอาร์วายเจดี
ประการที่สองจุดอ่อนต่างๆจะถูกทำให้ลดน้อยลงโดยเฉลี่ย หากนำเกณฑ์ทั้งหกข้อมาคำนวณเป็นคะแนนรวมเพียงหนึ่งเดียวระบบที่มี “ความแม่นยำ99% และการแยกผู้พูด 55%” ก็ยังสามารถทำคะแนนได้ดี—เพราะอีกห้าเกณฑ์ช่วยดึงค่าเฉลี่ยให้สูงขึ้นแต่สำหรับผู้ใช้จะผลิตบันทึกการประชุม ที่ซึ่งไม่มีใครรู้ว่าใครพูดอะไร และความสามารถในการใช้งานในทางปฏิบัติใกล้ศูนย์
แนวทางที่ใช้งานได้จริงแบ่งการยอมรับออกเป็นสองระดับ:
| ชั้น | วัตถุประสงค์ | มีการตัดสินอย่างไร |
|---|---|---|
| สายผ่าน | มูลค่าที่ยอมรับขั้นต่ำสำหรับแต่ละเกณฑ์หกข้อ | ไวโตะ: เกณฑ์ใดๆด้านล่างบรรทัดล้มเหลวการประเมินผลทั้งหมด |
| คะแนนการจัดอันดับ | ซึ่งผู้สมัครจะดีกว่าเมื่อเกณฑ์ทั้งหมดผ่านไป | ผลรวมถ่วงน้ำหนักสำหรับการเปรียบเทียบผู้ขายข้าม |
ต้องระบุข้อกำหนดการผ่านลงในข้อกำหนดทางเทคนิค ก่อนการยื่นข้อเสนอ เมื่อลงนามในสัญญาแล้วผู้ขายจะอยู่ในสถานะทางการค้าที่แข็งแกร่งกว่า
2.เกณฑ์การยอมรับหกข้อ
ด้านล่างนี้คือกรอบแนวคิดที่เสนอซึ่งประกอบด้วยเกณฑ์หกประการเส้นทางการผ่านต้องได้รับการปรับแต่งให้เหมาะสมกับสถานการณ์ของคุณเองแต่ ชุดเกณฑ์ไม่ควรถูกตัดทอน – ทุกเกณฑ์ที่คุณละเลยไปล้วนเป็นจุดบอดเพิ่มเติมที่จะปรากฏขึ้นก็ต่อเมื่อระบบถูกนำไปใช้งานจริงเท่านั้น
| # | เกณฑ์เกณฑ์เกณฑ์ | คำตอบคืออะไร | แนะนำผ่านสาย | หุ่นอย่างเป็นทางการที่เกี่ยวข้อง |
|---|---|---|---|---|
| 1 | การรับรู้ภาษาจีนกลางมาตรฐาน | เป็นตัวละครที่ถูกต้องหรือไม่ | ≥98% | ≥ 98% (ภาษาจีนกลางมาตรฐานหรือภาษาอังกฤษแบบอเมริกันมาตรฐาน) |
| 2 | การตรวจสอบสำเนียง / | ใช้กับลำโพงตัวอื่นได้ไหม | ≥96% | ≥ 96% (ภาษาภูมิภาคหลัก) |
| 3 | ความถูกต้องแยกลำโพง | ใครบอกว่านี่ | ชุดต่อจำนวนลำโพง | สนับสนุนการแยกผู้พูด |
| 4 | สรุปการเก็บรักษา | การตัดสินใจอยู่รอดได้ | รายการโดยรายการกับความละเอียดการประชุม | ประเภทแม่แบบสรุปสี่แบบ |
| 5 | เวลาแฝงของ end-to-end | ใช้ได้จริงหรือไม่ | ภายใต้2วินาทีสำหรับการประชุมสด | เวลาแฝงแบบ end-to-end ภายใต้1วินาที (รูปอย่างเป็นทางการ) |
| 6 | พร้อมใช้งานออฟไลน์ | เป็นท้องถิ่นที่แท้จริงหรือไม่ | ทำงานทั้งโซ่แบบออฟไลน์ | ทั้งโมเดลการรับรู้และสรุปที่ปรับใช้ในพื้นที่ |
แต่ละแผนที่เหล่านี้เชื่อมโยงไปยังส่วนใดของ VoiVision และจะตรวจสอบได้จากที่ไหน:
| เกณฑ์เกณฑ์เกณฑ์ | วิธี VoiVision ตอบสนอง | จะตรวจสอบที่ไหน |
|---|---|---|
| 1มาตรฐานการรับรู้ภาษาจีนกลาง | คำพูดที่เป็นกรรมสิทธิ์-อัลกอริทึมด้านหน้าและเครื่องยนต์การถอดเสียงเป็นข้อความความแม่นยำสูง ≥ 98% สำหรับภาษาจีนกลางมาตรฐานและภาษาอังกฤษแบบอเมริกันมาตรฐาน | VV01 Meeting Host |
| การจดจำสำเนียง / 2แบบ | ใช้งานร่วมกับภาษาจีนมากกว่า10ภาษาได้แก่ Wu, cantonese, Sichuanese และ Southern Min; ≥ 96% สำหรับภูมิภาคที่สำคัญ | VV10 Enterprise Private Deployment Host |
| 3ความถูกต้องแยกลำโพง | การแยกผู้พูดเอาท์พุทส่วนการระบุบทบาทและแตกต่างจากการระบุ voiceprint; | Technical approach · speech engine |
| 4สรุปการเก็บรักษา | Summaries ใช้เทมเพลตสี่ประเภทที่เข้าคู่กันกับประเภทการประชุม (สรุป / performs / Multi-PARTY อภิปราย / การรายงานขึ้นด้านบน) ดังนั้นเทมเพลตที่ไม่ตรงกันจึงไม่สามารถขจัดความขัดแย้งได้ | Meeting-minutes quality: five engineering stages |
| เวลาแฝงแบบ end-to-end 5 | เวลาแฝง end-to-end ภายใต้1วินาที (รูปอย่างเป็นทางการ); บนอุปกรณ์ NPU spans 46 / 166 / 326 TOPS | VV05 Edge NPU Host |
| 6พร้อมใช้งานออฟไลน์ | ทั้งโมเดลการรับรู้และสรุปที่ใช้งานในท้องถิ่น | Private deployment for government |
ใน เกณฑ์ที่6 มีประเด็นที่ควรกล่าวเพิ่มเติมอีกประการหนึ่งคือเป็นเกณฑ์เพียงข้อเดียวที่ได้รับการตรวจสอบในระดับ ทางสถาปัตยกรรม แทนที่จะเป็นระดับฟังก์ชันห้ารายการแรกทั้งหมดสามารถปรับค่าให้เข้าสู่ระดับผ่านได้; ส่วนการที่ข้อมูลจะออกจากเครือข่ายหรือไม่นั้นต้องยืนยันโดยการรันใหม่ขณะที่เครือข่ายถูกปิดลงเท่านั้น
3.วิธีการทดสอบและหลุมเกณฑ์โดยเกณฑ์
ความแม่นยำและภาษาถิ่น3.1: คำจำกัดความมีความสำคัญมากกว่าตัวเลข
วิธีการทดสอบ: เตรียมบันทึกเสียงสี่ชนิดชนิดละ20–30รายการ (ดูข้อ3.7) ส่งสัญญาณเสียงเดียวกันผ่านระบบแล้วเปรียบเทียบกับข้อมูลอ้างอิงที่ได้จากการวัดด้วยมือหรือโดยใช้เครื่องมือช่วย
ข้อผิดพลาดที่พบบ่อย:
| Pitfall | สิ่งที่ดูเหมือน | ผลที่ตามมา |
|---|---|---|
| กฎการนับไม่ตรง | ด้านหนึ่งนับเครื่องหมายวรรคตอนอีกด้านหนึ่งไม่ได้ | ตัวเลขหาตัวจับยากการยอมรับกลายเป็นอาร์กิวเมนต์ |
| เงียบเพียงคนเดียวอ่าน | ความถูกต้องดูดี; การประชุมจริงแตกสลาย | ทำใหม่หลังจากไป-Live |
| มาตรฐานภาษาจีนกลางเท่านั้นไม่มีภาษา | รูป dialect อย่างเป็นทางการคือ ≥ 96% แต่มีการทดสอบภาษาจีนกลางมาตรฐานเท่านั้น | จุดเปอร์เซ็นต์สองจุดคือความแตกต่างระหว่างเหตุการณ์และเหตุการณ์ที่ไม่ใช่เหตุการณ์ |
| สุนทรพจน์ที่เขียนว่าแทนที่จะพูด | ความถูกต้องพองขึ้น | ช่องว่างขนาดใหญ่จากสภาพโลกแห่งความเป็นจริง |
การดำเนินการรับ: ถามผู้ขายสำหรับ ชุดทดสอบและสคริปต์นับจำนวน ไม่ใช่แค่หมายเลขสุดท้ายที่ใช้ด้วยตัวคุณเองในการบันทึกของคุณเองเป็นวิธีเดียวในการตรวจสอบคำจำกัดความ
3.2 การแยกผู้พูด: ส่วนที่ผิดทั้งหมดแย่กว่าข้อผิดพลาดที่กระจัดกระจาย
วิธีการทดสอบ: ใช้การบันทึกเสียงแบบหลายฝ่ายจริงที่มีผู้พูดตั้งแต่สามคนขึ้นไป ซึ่งมีการขัดจังหวะและการพูดทับเสียงกัน. ดึงส่วนที่ทำให้เกิดการขัดจังหวะออกมาอย่างน้อยสิบส่วนแล้วตรวจสอบทีละส่วน
ข้อผิดพลาดที่พบบ่อย:
- ความสับสนของบทบาทในระหว่างการหยุดชะงัก-เมื่อคนสองคนพูดพร้อมกันอัลกอริทึมจะกำหนดทั้งสองเหยียดไปยังคนหนึ่งหรือตัดพวกเขานี่คือโหมดความล้มเหลวลักษณะของการแยก
- ส่วนทั้งหมดประกอบกับบุคคลที่ไม่ถูกต้อง-รุนแรงกว่าข้อผิดพลาดของตัวละครที่กระจัดกระจายเพราะผู้อ่านทำหน้าที่ในการระบุบทบาทที่ไม่ถูกต้อง
- การย่อยสลายที่ไม่ได้กำหนดเกินขีดจำกัด attendee-เมื่อจำนวนความสนใจเกินขีดจำกัดที่สนับสนุนระบบบางอย่างรวมบทบาท (ยอมรับได้) และอื่นๆ mislabel (ไม่ยอมรับ) ทดสอบอย่างชัดเจนนี้
- Validating แยกกับการอ่านคนเดียว-ไฟล์เสียงโมโนไม่สามารถทดสอบการแยกได้เลย
การดำเนินการรับ: กำหนดจำนวนเส้นผ่านต่อช่วงจำนวนผู้พูด (เช่นแยกเป็นการประชุมที่มีผู้เข้าร่วมไม่เกิน5คนและ6–10คน) และตกลงล่วงหน้าว่าจะประเมินส่วนที่ทับซ้อนกันอย่างไร — โดยใช้เกณฑ์ความแม่นยำของทั้งส่วนหรือโดยใช้ช่วงเวลาที่ทับซ้อนกันคำจำกัดความดังกล่าวจะต้องได้รับการกำหนดให้ชัดเจนก่อนการทดสอบ
เกณฑ์นี้เป็นตัวกำหนดว่าบันทึกการประชุมสามารถใช้งานได้หรือไม่และเป็นเหตุผลที่ VoiVision จัดให้การแยกผู้พูดเป็น เวทีแบบสแต็กเต็มรูปแบบที่เป็นกรรมสิทธิ์ แทนที่จะพึ่งพาบริการปิดของบุคคลที่สามเมื่อประเมินให้ขอให้ผู้ขายสาธิต: มอบการบันทึกสามคนที่แท้จริงด้วยการหยุดชะงักและตรวจสอบฉลากบทบาทบนจุด-technical approach page กำหนดเครื่องยนต์สถาปัตยกรรมและรูปแบบการใช้งาน
ข้อสรุป3.3การเก็บรักษา: สรุปได้อย่างคล่องแคล่วไม่เพียงพอ
วิธีการทดสอบ: จัดเตรียมการประชุมสี่ประเภทได้แก่การประสานงานข้อมูลการประชุมเพื่อตัดสินใจการระดมสมองและการรายงานขึ้นบนโดยใช้เทมเพลตที่เหมาะสมกับแต่ละประเภทและเปรียบเทียบสรุปผลกับรายการมติที่เขียนด้วยตนเองทีละข้อ
ข้อผิดพลาดที่พบบ่อย:
- เทมเพลตไม่ตรงกันกับประเภทการประชุม-ดำเนินการประชุมการตัดสินใจผ่านแม่แบบสรุปแบนทั้งข้อสรุปและความขัดแย้งนี่คือความล้มเหลวที่พบมากที่สุดและมักไม่ใช่ปัญหาความสามารถในการสร้างแบบจำลอง
- ตรวจสอบว่าสรุปอ่านดีหรือไม่ คล่องแคล่วแต่หายไปข้อสรุปเป็นอันตรายมากกว่าเงอะงะเพราะมันดูดี
- เปลี่ยน "มีความขัดแย้ง" เป็น "มีฉันทามติ"-ในการตัดสินใจพบกับ disagreement เป็นข้อมูลที่มีค่าที่สุดและสรุปที่แบนมันใช้ไม่ได้
การดำเนินการรับ: ใช้ รายการมติที่เขียนด้วยตนเอง เป็นเกณฑ์อ้างอิงและตรวจสอบทีละรายการตารางการตรวจสอบควรครอบคลุมอย่างน้อยดังต่อไปนี้: รายการข้อกำหนด, ทิศทางของข้อสรุป, การรักษาความไม่เห็นพ้องต้องกันไว้หรือไม่, และการคงสิทธิ์ความเป็นเจ้าของไว้หรือไม่
3.4การกระทำรายการความสมบูรณ์: สามองค์ประกอบไม่มีตัวเลือก
วิธีการทดสอบ: ดึงรายการการดำเนินการจากบันทึกการประชุมและตรวจสอบสามสิ่งสำหรับแต่ละรายการ-งานผู้เป็นเจ้าของและตำแหน่งที่มา.
ข้อผิดพลาดที่พบบ่อย:
| องค์ประกอบที่ขาดหายไป | สิ่งที่ดูเหมือน | ทำไมไม่สามารถยอมรับได้ |
|---|---|---|
| เจ้าของ | เฉพาะ "ติดตามผลบนการใช้งาน" | ไม่มีใครรู้ว่าการกระทำของใคร |
| ตำแหน่งแหล่งที่มา | รายการการกระทำที่แยกออกจากข้อความเดิม | ไม่สามารถตรวจสอบได้ไม่สามารถตรวจสอบได้ในข้อพิพาท |
| คำอธิบายงาน | อัปเกรดใหม่ล่าสุด | การตีความเบี่ยงเบนไปในเวลาการดำเนินการ |
การดำเนินการรับ: ดึงสามรายการการกระทำและ ผลักดันพวกเขาให้ผ่านทุกขั้นตอนของกระบวนการบูรณาการจนสำเร็จ-WeCom, DingTalk, Feishu หรือรัฐบาล OA ระบบ-เพื่อยืนยันสามองค์ประกอบอยู่รอดมือปิด. การสนับสนุนอย่างเป็นทางการสำหรับรายการแอ็คชั่นและการรวมแพลตฟอร์มสำนักงานหมายความว่าเส้นทางนี้มีอยู่จริง
เวลาแฝง3.5 end-to-end: รู้ว่าเวลาแฝงที่คุณกำลังวัดอยู่
วิธีการทดสอบ: วัดผลสถานการณ์การประชุมแบบพบปะกันจริงและจัดทำไฟล์การถอดเสียงเป็นข้อความแยกต่างหาก
ข้อผิดพลาดที่พบบ่อย:
- Conflating latency โทเค็นแรกที่มีเวลาแฝงเต็มรูปแบบ-Live meetings Care เกี่ยวกับเราเมื่อตัวละครตัวแรกปรากฏขึ้น (คุณสามารถอ่านพร้อม); ไฟล์การถอดเสียงเป็นข้อความใส่ใจเกี่ยวกับเราเมื่อส่วนทั้งหมดเสร็จสิ้น
- ทดสอบความแตกต่างจากการผลิต-รุ่นเดียวกันสามารถทำงานแตกต่างกันมากบนบัตรเร่งกับ CPU ขอข้อมูลการทดสอบใหม่ภายใต้การกำหนดค่า การผลิต
- การทดสอบเมื่อไม่ได้ใช้งาน-ความหน่วงแฝงลดลงเมื่อสกุลเงินเพิ่มขึ้นรูปแฝงแบบ end-to-end อย่างเป็นทางการของภายใต้1วินาทีจะประสบความสำเร็จภายใต้การกำหนดค่าเฉพาะ
การดำเนินการรับ: ระบุการวัด จุดเริ่มต้นและจุดสิ้นสุด (เสียงในการสร้างตัวละครแรกออกหรือจนกว่าข้อความเต็มจะกลับมา) ในข้อกำหนดทางเทคนิค
3.6ความพร้อมใช้งานออฟไลน์: หนึ่งเกณฑ์ที่ต้องการหลักฐานสถาปัตยกรรม
วิธีการทดสอบ: ยกเลิกการเข้าถึงเครือข่ายภายนอก (หรือบังคับใช้กฎการออกของไฟร์วอลล์) แล้วเรียกใช้กระบวนการทั้งหมดอีกครั้งและตรวจสอบ สรุปรายการสิ่งที่ต้องดำเนินการและการสร้างแผนผังความคิดแยกกัน
ข้อผิดพลาดที่พบบ่อย:
- ตรวจสอบแล้วเฉพาะการถอดเสียงเป็นข้อความเท่านั้น-การถอดเสียงเป็นข้อความออฟไลน์เป็นเรื่องง่ายสรุปเมฆได้รับการสนับสนุนเป็นจุดบอดคลาสสิกเสียงอยู่ภายในในขณะที่ใบสรุปและการเรียกร้องการปฏิบัติตามยังคงล้มเหลว
- มันยังคงส่งคืนผลลัพธ์แบบออฟไลน์-ที่อาจเป็นแคชท้องถิ่นหรือรูปแบบที่ติดตั้งในประเทศไปไกลขึ้นและยืนยันว่าน้ำหนักรุ่นอยู่ที่ไหนและนโยบาย egress.
- การทดสอบออฟไลน์ทำงานในสภาพแวดล้อมการทดสอบ-สภาพแวดล้อมการทดสอบอาจมีรูปแบบท้องถิ่นในขณะที่จุดผลิตที่ Cloud API
การดำเนินการรับ:
- เรียกใช้การไหลทั้งหมดอีกครั้งโดยให้เครือข่ายลดลงและตรวจสอบขั้นตอนทั้งสามรุ่น
- ตรวจสอบไฟล์น้ำหนักรุ่นบนเซิร์ฟเวอร์
- ตรวจสอบนโยบาย egress และกฎไฟร์วอลล์
ในด้าน VoiVision นี้เป็นความมุ่งมั่นทางสถาปัตยกรรมมากกว่าบรรทัดในแผ่นข้อมูลจำเพาะ: เครื่องยนต์คำพูดและรูปแบบสรุปรุ่นทั้งสองทำงานภายในเซิร์ฟเวอร์ของลูกค้าเองที่มีน้ำหนักรูปแบบ, แคชและบันทึกทั้งหมดเก็บไว้ในโดเมนสถานะข้อมูลจำเพาะอย่างเป็นทางการที่การติดตั้งแบบ on-premise ตรงตามข้อกำหนดของ MLPS Level 3และข้อมูลที่จัดประเภทด้วย Zero การรั่วไหลของข้อมูล
ฮาร์ดแวร์มีให้เลือกตามระดับความพร้อมใช้งานพร้อมกัน:
- หนึ่งช่องสัญญาณ-VV01 Meeting Host
- ห้าช่อง-VV05 Edge NPU Host
- สิบช่องและเต็มกองการติดตั้งแบบ on-premise-VV10 Enterprise Host
- พกพาออฟไลน์-V06 card-sized recording card
3.7เตรียมเสียงทดสอบ: สี่ชนิดของตัวอย่างที่ครอบคลุมความเป็นจริง
อย่างน้อยสี่ชนิดชนิดละ20–30 บันทึกการประชุมรวมทั้งหมดกว่า100 บันทึกการประชุม:
| ชนิดที่ดี | ทำไมเป็นสิ่งจำเป็น | กับดักทั่วไป |
|---|---|---|
| การบันทึกประจำสำนักงาน | สถานการณ์พื้นฐาน | ตัวอย่างขนาดเล็กเกินไปสำหรับสถิติที่มั่นคง |
| การหยุดชะงักของบุคคลหลาย / ทับซ้อนกัน | การแยกผู้พูดแบ่งที่ไหน | แทนที่ด้วยการอ่านคนเดียว-ไม่ได้ผลทั้งหมด |
| การประชุมคำศัพท์โดเมน | ทดสอบคำศัพท์การจัดการ (การเงิน / การแพทย์ / รัฐบาลเงื่อนไข) | คำศัพท์ที่ใช้ในชีวิตประจำวันดังนั้นปัญหาคำศัพท์จึงไม่เคยพื้นผิว |
| การบันทึก Far-Field low-SNR | การทดสอบรถกระบะและการปราบปรามเสียงรบกวน | ทดสอบติดกับไมโครโฟนเดสก์ท็อปเท่านั้น |
โฟกัสการยอมรับยังแตกต่างกันไปตามอุตสาหกรรมรัฐบาลและการดูแลการเงินส่วนใหญ่เสียงเกี่ยวกับเราอยู่ในโดเมนและ MLPS ระดับ3; R&D และองค์กรขนาดใหญ่เกี่ยวกับเราการทำงานพร้อมกันหลายห้องและผสมผสานกับคำศัพท์โดเมน OA ที่มีอยู่การดูแลสุขภาพเกี่ยวกับเราตรวจสอบอุตสาหกรรมของคุณเองก่อน: การประชุมรัฐบาล, สถาบันการเงิน, องค์กรขนาดกลางและขนาดใหญ่, องค์กร R&D, การดูแลสุขภาพ
สามประเด็นเชิงปฏิบัติ:
- ใช้เสียงจริง-ไม่ใช่ TTS-สร้างหรืออ่านจากสคริปต์คะแนนการพูดสังเคราะห์เทียมสูง
- ให้ตัวอย่างกับผู้ขายล่วงหน้า และต้องการให้พวกเขาเรียกใช้เครื่องยนต์ของตัวเองด้วยความจริงพื้นฐานของคุณเป็นพื้นฐาน
- เก็บตัวอย่างบางส่วนไว้ก่อน สำหรับขั้นตอนการยอมรับดังนั้นเครื่องยนต์จึงไม่สามารถปรับให้เข้ากับพวกเขาได้
4.การทำงานย้อนกลับจากเกณฑ์ฮาร์ดแวร์
เกณฑ์ทั้งหกข้อในที่สุดจะนำไปสู่รูปแบบการกำหนดค่าที่เป็นรูปธรรมฮาร์ดแวร์ VoiVision ถูกจัดระดับโดย ระดับการทำงานพร้อมกันและรูปแบบการปรับใช้ ดังนั้นการแมปจึงเป็นแบบตรงไปตรงมา:
| ข้อกำหนด | รุ่นที่แนะนำ | ข้อกำหนด | สถานการณ์ทั่วไป |
|---|---|---|---|
| หนึ่งช่อง, การถอดเสียงเป็นข้อความออฟไลน์, การปรับใช้เดสก์ท็อป | VV01 Meeting Host | 1ช่อง · 46 TOPS บนอุปกรณ์ NPU | ห้องเดี่ยวขนาดเล็กบันทึกการประชุมแต่ละห้อง |
| 5ช่องพร้อมกันขอบคำนวณ | VV05 Edge NPU Host | 5ช่อง · 166 TOPS | ห้องขนาดกลางแบ่งตามแผนก |
| 10ช่องทางพร้อมกันเต็มกองการติดตั้งแบบ on-premise | VV10 Enterprise Host | 10ช่อง · 326 TOPS | ห้องขนาดใหญ่การปรับใช้ระดับพื้น |
| พกพาออฟไลน์บันทึกขนาดพกพา | V06 card-sized recording card | ขนาดการ์ด · บนอุปกรณ์ NPU | การเดินทางการเข้าชมภาคสนามการประชุมเฉพาะกิจ |
| การตีความสดแบบสองทิศทาง | VT02 translation host | แบบสองทิศทาง1ช่องสัญญาณ | การประชุมกับแขกในต่างประเทศ |
| การตีความองค์กรหลายช่องทาง | VT10 translation server | หน้าจอคู่5ช่องสัญญาณ | การประชุมภาษาต่างประเทศพร้อมกันหลายภาษา |
ตรรกะนั้นสั้นมาก: เลือกรุ่นตามความสามารถในการประมวลผลพร้อมกันเป็นอันดับแรกจากนั้นหากจำเป็นต้องทำการตีความให้เพิ่มรุ่นในซีรีส์ VT เข้าไป. สำหรับการเปรียบเทียบพารามิเตอร์และข้อกำหนดโดยละเอียดโปรดดูที่ product overview
5.สกอร์การ์ดที่คุณสามารถใช้ได้
เมื่อจัดเรียงข้อมูลข้างต้นเป็นตารางจะได้บัตรคะแนนที่คุณสามารถนำไปใช้ในการประชุมเสนอราคาได้
| เกณฑ์เกณฑ์เกณฑ์ | น้ำหนัก (ผ่านเส้น = veto) | วัดค่าได้ | กฎการนับ | ผ่าน | ต้องมีการแก้ไข | วันที่ยืนยันอีกครั้ง |
|---|---|---|---|---|---|---|
| การรับรู้ภาษาจีนกลางมาตรฐาน | การยับยั้ง | เครื่องหมายวรรคตอน / ฟิลเลอร์คำนับ? | ||||
| การรับรู้สำเนียงของภาษาถิ่น / | การยับยั้ง | ภาษาถิ่นใดที่ครอบคลุม? | ||||
| ความถูกต้องของการแยกผู้พูด | การยับยั้ง | กฎการตัดสินการหยุดชะงักของลำโพง / | ||||
| การรักษาข้อสรุป | การยับยั้ง | รายการโดยรายการ VS ความละเอียดด้วยตนเอง | ||||
| สินค้าแอคชั่น-ความสมบูรณ์ | การยับยั้ง | มีทั้งสามองค์ประกอบหรือไม่? | ||||
| เวลาแฝงแบบสุดปลายถึงสุดปลาย | การยับยั้ง | จุดวัด / Compute Config | ||||
| ความพร้อมใช้งานแบบออฟไลน์ | การยับยั้ง | ผลของการเรียกใช้ใหม่แบบออฟไลน์ | ||||
| คะแนนการจัดอันดับคอมโพสิต | การอ้างอิง | น้ำหนักรวม | ||||
| ทดสอบ/การผลิต Compute Parity | การยับยั้ง | การกำหนดค่าเดียวกัน? |
วิธีการใช้งาน: จัดส่งตารางนี้พร้อมกับรายการบันทึกการทดสอบและคำจำกัดความของกฎการนับในฐานะ เอกสารแนบสัญญา การตรวจสอบทีละบรรทัดนั้นมีประสิทธิภาพมากกว่าการรับชมการสาธิตจากผู้จำหน่ายตลอดทั้งวันอย่างมาก
6.สามจุดสุดท้าย
ประการแรกให้เก็บข้อมูลทดสอบไว้ บันทึกการทดสอบข้อมูลอ้างอิงจริงคะแนนแยกตามเกณฑ์และบันทึกการแก้ไขสำหรับรายการที่ไม่ผ่านเป็นหลักฐานเพียงชุดเดียวที่มีอยู่หากเกิดข้อพิพาทในภายหลัง
ประการที่สองกำหนดให้ต้องใช้แพ็กเกจสำหรับการติดตั้งแบบออฟไลน์ หากสภาพแวดล้อมการทดสอบขึ้นอยู่กับบริการคลาวด์ของผู้ให้บริการปัญหาจำนวนมากจะปรากฏให้เห็นเฉพาะในช่วงการปรับใช้งานจริงซึ่งโดยปกติแล้วกระบวนการจัดซื้อจัดจ้างมักใกล้สิ้นสุดลงแล้วแพ็กเกจแบบออฟไลน์ยังช่วยให้ลูกค้าสามารถดำเนินการประเมินผลจากบุคคลที่สามได้ด้วยตนเอง
ประการที่สามอย่าทดสอบเฉพาะฟีเจอร์เท่านั้น
ตัวเลือกของตัวเร่งความเร็วมีผลโดยตรงต่อค่าความหน่วงดังนั้นผู้ใช้งานจึงต้องยืนยันให้แน่ใจว่าโครงสร้างพื้นฐานการประมวลผลในระบบจริงสอดคล้องกับสภาพแวดล้อมการทดสอบมิฉะนั้นข้อสรุปจากการทดสอบจะไม่สามารถนำไปใช้คาดการณ์ผลลัพธ์ในระบบจริงได้
ข้อมูลจำเพาะอย่างเป็นทางการโปรดทราบว่าเครื่องยนต์คำพูด natively สนับสนุน NVIDIA, Ascend, Cambricon และ Hygon ระบบนิเวศ Compute และทำงานอย่างใกล้ชิดบน CPU คนเดียว; บนอุปกรณ์ NPU เร่ง spans สามชั้นคอมพิวเตอร์
สามารถตรวจสอบรุ่นเฉพาะและระดับการประมวลผลเป็นรายรายการเทียบกับ technical approach page ได้
7.ถัดไป: ทดสอบก่อนหรือนักบินก่อน?
บัตรคะแนนนี้ไม่ได้ผูกติดกับผู้จำหน่ายรายใด-ควรแก้ไขให้เรียบร้อยก่อนที่คุณจะคัดเลือกผู้สมัครเข้ารอบสุดท้าย. หากคุณอยู่ในการเลือกแล้วสองเส้นทาง:
เส้นทาง A: นำแบบฟอร์มประเมินผลนี้ไปใช้กับซัพพลายเออร์ที่คุณมีอยู่แล้ว ส่งเกณฑ์ทั้งหกข้อและเส้นแบ่งให้พวกเขาพร้อมขอคำตอบเป็นลายลักษณ์อักษรรวมถึงชุดทดสอบและสคริปต์สำหรับนับผลวิธีนี้ช่วยคัดกรองผู้สมัครที่ไม่ผ่านเกณฑ์ได้อย่างรวดเร็วและไม่มีค่าใช้จ่ายใดๆ
เส้นทาง B: ไปตรงสู่การทดลองใช้งานจริงและยืนยันผลด้วยการประชุมจริง VoiVision ครอบคลุมฮาร์ดแวร์ทุกรูปแบบตั้งแต่โฮสต์เดสก์ท็อปไปจนถึงรองรับช่องสัญญาณพร้อมกันได้สิบช่องโดยมีการติดตั้งแบบ on-premise รวมถึงโมเดลการจดจำและสรุปผลทำงานแบบโลคอลทำให้สามารถดำเนินกระบวนการตรวจสอบข้อมูลทั้งหมด—รวมถึงการประมวลผลซ้ำแบบออฟไลน์—ได้โดยตรงกับไฟล์บันทึกการประชุมของคุณเองสนับสนุน Compute ครอบคลุม NVIDIA, Ascend, Cambricon และ Hygon และ CPU-เฉพาะการอนุมานทำงานในเวลาจริง; ควรตรวจสอบรายการการปรับใช้และแบบฟอร์มการปรับใช้เป็นอันดับแรกบน technical approach page.
ไม่แน่ใจว่ารุ่นไหนเหมาะกับคุณ? เริ่มต้นจากอุตสาหกรรมของคุณ: government intranet, finance, large enterprise, R&D teams, healthcare, retail และ SMBs ล้วนมีจุดเน้นเฉพาะของตนเอง
นำไฟล์บันทึกการประชุมของคุณมาแล้วเราจะร่วมกันกรอกแบบฟอร์มประเมินนี้ไปด้วยกัน-book a demo หรือติดต่อฝ่ายขายได้ที่ WeCom
เกี่ยวกับตัวเลข: ความแม่นยำของข้อมูลจำเพาะ-การถอดเสียงเป็นข้อความที่ตีพิมพ์อย่างเป็นทางการ ≥ 98% (มาตรฐานภาษาจีนกลางหรือภาษาอังกฤษแบบอเมริกันมาตรฐาน), ภาษาในภูมิภาคที่สำคัญ ≥ 96%, เวลาแฝงแบบ end-to-end ต่ำกว่า1วินาที, การแปลเครื่อง ≥ 800ตัวอักษรต่อวินาที, ไฟล์การถอดเสียงเป็นข้อความประสิทธิภาพ10:1, และบนอุปกรณ์ NPU การเร่งความเร็ว46 / 166 / 326 TOPS. สิ่งเหล่านี้แตกต่างกันไปขึ้นอยู่กับสภาพแวดล้อมด้านเสียงขนาดของโมเดลกลยุทธ์การทำงานพร้อมกันและการกำหนดค่าทรัพยากรประมวลผล; การประเมินผลควรอิงจากการวัดผลจริง
เอ็นจิ้นการแปลที่อยู่เบื้องหลังตัวเลขเหล่านั้นคือ NiuTrans ซึ่งใช้มากกว่า100,000ครั้งทั่วโลก
คำถามที่พบบ่อย
Q: เราควรกำหนดอัตราความสำเร็จเท่าใดในการรับรองระบบบันทึกการประชุม?
A: ให้ประเมินแต่ละเกณฑ์ทั้งหกโดยพิจารณาจากเกณฑ์ผ่านของแต่ละเกณฑ์เองแทนที่จะใช้คะแนนรวมเพียงค่าเดียวได้แก่อัตราการรับรู้ภาษาจีนกลางมาตรฐานอัตราความถูกต้องในการแยกเสียงผู้พูดอัตราการคงอยู่ของข้อสรุปอัตราความสมบูรณ์ของรายการดำเนินการความหน่วงแบบสุดปลายถึงสุดปลายและความสามารถในการทำงานแบบออฟไลน์เกณฑ์ใดก็ตามที่ต่ำกว่าค่ากำหนดจะทำให้ระบบใช้งานไม่ได้ — ระบบที่มีอัตราการจดจำถึง99% แต่มีค่าการแยกผู้พูดเพียง60% ก็ยังคงสร้างผลลัพธ์เป็นบันทึกการประชุมซึ่งไม่มีใครอยากอ่านอยู่ดีคะแนนรวมมีประโยชน์ในการจัดอันดับผู้สมัครแต่ต้องไม่ปกปิดจุดอ่อนของแต่ละบุคคล
Q: ควรวัดความแม่นยำของการรับรู้ด้วยค่าอัตราความผิดพลาดของตัวอักษรหรืออัตราความผิดพลาดของคำ?
A: ดูทั้งสองอย่างแล้วกำหนดกฎการนับให้ชัดเจนก่อนอัตราความผิดพลาดของตัวละครช่วยบอกได้ว่าคำบรรยายใต้ภาพสามารถใช้งานได้ทันทีหรือไม่ส่วนอัตราความผิดพลาดของคำจะสะท้อนคุณภาพในมุมมองของภาคธุรกิจมากกว่ากล่าวคือแสดงจำนวนคำในประโยคที่ถูกต้องและผิดพลาดในภาษาจีนคุณยังต้องตกลงกันด้วยว่าจะนับเครื่องหมายวรรคตอนและคำพูดที่ใช้เติมหรือไม่ตกลงนิยามให้ชัดเจนก่อนทำการทดสอบมิฉะนั้นค่าตัวเลขจากผู้ผลิตต่างรายจะไม่สามารถเปรียบเทียบได้
Q: เราควรเตรียมไฟล์เสียงทดสอบไว้มากแค่ไหน?
A: ตัวอย่างอย่างน้อยสี่ประเภทได้แก่การบันทึกเสียงในสำนักงานทั่วไปการประชุมหลายฝ่ายที่มีการขัดจังหวะและเสียงพูดทับซ้อนกันการประชุมที่มีศัพท์เฉพาะทาง (เช่นการเงินการแพทย์และภาครัฐ) และการบันทึกเสียงระยะไกลที่มีอัตราส่วนสัญญาณต่อเสียงรบกวนต่ำแต่ละชนิดอย่างละยี่สิบถึงสามสิบบันทึกการประชุมรวมทั้งหมดมากกว่า100 บันทึกการประชุมถือเป็นขั้นต่ำที่เหมาะสมการตรวจสอบความถูกต้องด้วยการอ่านอย่างเงียบๆเพียงครั้งเดียวโดยผู้ใช้เพียงคนเดียวเป็นวิธีที่พบได้บ่อยที่สุดแต่ไม่มีประสิทธิภาพมากที่สุดเพราะไม่สามารถค้นพบปัญหาที่เกิดขึ้นจริงในโลกแห่งความเป็นจริงได้
Q: เราจะยืนยันได้อย่างไรว่าระบบทำงานแบบออฟไลน์อย่างแท้จริง?
A: เรียกใช้เวิร์กโฟลว์ทั้งหมดอีกครั้งโดยปิดการเข้าถึงเครือข่ายภายนอกและให้ความสำคัญเป็นพิเศษกับการสร้างสรุปผลการตรวจสอบการถอดเสียงเป็นข้อความเพียงอย่างเดียวไม่เพียงพอ — การสรุปการถอดเสียงเป็นข้อความแบบออฟไลน์ค่อนข้างง่ายในขณะที่การสรุปที่ระบุว่าโมเดลคลาวด์ขนาดใหญ่ใช้ API หมายความว่าเสียงจะยังคงอยู่ภายในแต่เนื้อหาสรุปกลับถูกส่งออกและคำกล่าวอ้างเรื่องการปฏิบัติตามกฎระเบียบก็ยังคงไม่ผ่านการประเมินตัดการเชื่อมต่อเครือข่ายแล้วเรียกใช้กระบวนการทั้งหมดใหม่: หากขั้นตอนสรุปผลเกิดข้อผิดพลาดหรือประสิทธิภาพลดลงขึ้นอยู่กับระบบคลาวด์นอกจากนี้โปรดยืนยันว่ามีน้ำหนักของแบบจำลองอยู่ในเครื่องและตรวจสอบนโยบายการส่งออกข้อมูลด้วย
Q: เกณฑ์การยอมรับสำหรับการแยกผู้พูดควรเป็นอย่างไร?
A: ให้พิจารณาสองประเด็นได้แก่ความถี่ในการกำหนดบทบาทอย่างถูกต้องและการที่บางส่วนของงานถูกมอบหมายให้ผู้ที่ไม่ใช่เจ้าของงานโดยตรงหรือไม่การตรวจสอบความถูกต้องจำเป็นต้องใช้บันทึกเสียงแบบหลายฝ่ายจริงที่มีผู้พูดตั้งแต่สามคนขึ้นไป—ห้ามใช้การอ่านออกเสียงของบุคคลเพียงคนเดียวโดยเด็ดขาด—และควรเน้นไปที่ช่วงเวลาที่ผู้พูดพูดแทรกเสียงกันซึ่งเป็นจุดที่อัลกอริธึมการแยกเสียงทำงานผิดพลาดนอกจากนี้ยังต้องทดสอบกรณีที่จำนวนผู้เข้าร่วมเกินขีดจำกัดที่รองรับ: การรวมบทบาทถือว่าได้รับอนุญาตแต่การติดป้ายกำกับผิดพลาดไม่เป็นที่ยอมรับ
Q: เราสามารถเก็บข้อมูลทดสอบไว้และนำกลับมาใช้ใหม่ในภายหลังได้หรือไม่?
A: คุณควรทำเช่นนั้นและระบุไว้ในสัญญาโดยแนบเป็นเอกสารประกอบบันทึกการทดสอบสคริปต์การทดสอบคะแนนแยกตามเกณฑ์และบันทึกการแก้ไขสำหรับรายการที่ไม่ผ่านการประเมินรวมกันเป็นหลักฐานอ้างอิงในการระงับข้อพิพาทที่อาจเกิดขึ้นในภายหลังการตกลงล่วงหน้าว่าจะดำเนินการแก้ไขและตรวจสอบซ้ำอย่างไรสำหรับรายการที่มีประสิทธิภาพต่ำกว่าเกณฑ์จะช่วยประหยัดแรงงานได้มากกว่าการทดสอบเพิ่มอีกหนึ่งชั่วโมงอย่างแน่นอน
Q: เราควรกำหนดให้มีแพ็กเกจการปรับใช้แบบออฟไลน์สำหรับสภาพแวดล้อมทดสอบหรือไม่?
A: ใช่หากสภาพแวดล้อมการทดสอบต้องพึ่งพาบริการคลาวด์ของผู้ให้บริการปัญหาด้านการปฏิบัติตามข้อกำหนดและความสามารถในการทำงานจำนวนมากจะปรากฏให้เห็นเฉพาะในช่วงการใช้งานจริงเท่านั้นซึ่งโดยปกติแล้วในเวลานั้นกระบวนการจัดซื้อก็ใกล้สิ้นสุดลงแล้วแพ็กเกจการปรับใช้แบบออฟไลน์ยังช่วยให้ลูกค้าสามารถดำเนินการประเมินผลจากบุคคลที่สามได้ด้วยตนเองโดยไม่ต้องพึ่งพารายงานที่ผู้จำหน่ายจัดทำขึ้นเพียงอย่างเดียว
