У WER-тесті 448 IT-фрагментів говорив один мовець. Для протоколу цього замало.

Університетський опис магістерської роботи подає WER після ITN на українсько-англійському IT-аудіо: Gemini 3.1 Pro — 10,5%, ElevenLabs Scribe v2 — 13,4%, Whisper large-v3-turbo — 16,7%. Це найкращі названі конфігурації трьох класів, а не три тарифи або готові протоколи.

Картка корпусу від автора додає межу, якої не було видно з університетського опису: усі 448 уривків (2 год 6 хв 35 с) записав один чоловік у 16 стилях мовлення; 446 уривків мають перемикання між українською й англійською. Отже, наведені WER не вимірюють, чи сервіс правильно розділить голоси або припише рішення потрібній людині. Файли корпусу вимагають прийняття умов доступу; ми їх не прослуховували, а повної таблиці дисертації не перевірили.

Коли потрібні кілька спікерів

У дописі користувача MacWhisper версія 15.2, за його словами, обмежила розпізнавання восьми спікерами в записах Zoom із 10–25 учасниками. Відповідь у темі обіцяє повернути старий метод як опцію; це ще не перевірена нами версія. Інший користувач описав, як режим All System Audio зібрав голоси кількох людей у кімнаті під одним мікрофоном, тоді як Voice Memo у його наступній пробі розділив двох. Це окремі самозвіти, не тест української або порівняння точності продуктів.

Для протоколу візьміть дозволений уривок із двома людьми та зміною мовця перед рішенням. Після експорту звірте слова, ім’я мовця, доручення й строк зі звуком; запишіть хвилини правки. Якщо позначення спікерів не працює у вашому режимі запису, спробуйте інший дозволений режим або ведіть нотатки вручну. Жодна цифра WER вище не визначає переможця для цієї перевірки. Голосові маршрути й межі →