RTF
RTF (Real-Time Factor) — во сколько раз обработка быстрее самой записи. RTF 0,1 значит, что час аудио расшифровывается за шесть минут. Главная метрика скорости распознавания речи.
Как читать это число
RTF = время обработки, поделённое на длительность записи. RTF 0,1 означает, что час записи разбирается за шесть минут. RTF 1,0 — обработка идёт ровно столько, сколько длится запись. Больше единицы — медленнее реального времени, и такой сервис для длинных записей непригоден.
- RTF 0,02 — час за минуту с небольшим. Обычно это видеокарта.
- RTF 0,1 — час за шесть минут: рабочий режим на процессоре.
- RTF 0,5 — час за полчаса. Терпимо для ночной пачки, мучительно для одной встречи.
- RTF 2,0 — час за два часа. Годится только для потокового распознавания коротких фраз.
Почему RTF важнее WER при выборе сервиса
Разница в точности между приличными системами измеряется единицами процентов, и на живой записи её часто не видно за качеством самой записи. А разница в скорости видна сразу: шесть минут против получаса на часовую встречу — это разные рабочие процессы. Первый позволяет расшифровать запись сразу после совещания, второй превращает расшифровку в отложенную задачу.
От чего RTF зависит
- Железо: видеокарта даёт кратное ускорение, но и на обычном процессоре час записи разбирается за минуты.
- Модель: быстрая и точная — разные модели, выбор делается под задачу. У нас потоку по умолчанию достаётся быстрая, задаче — точная.
- Дополнительные режимы: разделение по голосам и эмоции — отдельная работа поверх распознавания, они добавляют время.
- Длина записи: короткие файлы дороже в пересчёте — постоянные издержки на запуск не размазываются по длительности.
Наш замер
Встреча длительностью 17 минут 52 секунды обработана за 94 секунды на обычном процессоре ноутбука (Intel Core Ultra 7 155H) — это RTF около 0,09, то есть час записи примерно за пять-шесть минут. Замер сделан с разделением по голосам, без видеокарты. Полная методика и таблицы по срезам речи — в открытом замере, который готовится отдельной страницей.
Вопросы
Нет. RTF описывает пакетную обработку файла: сколько ждать готовую расшифровку. Задержка первого слова относится к потоковому распознаванию — через сколько после произнесения слово появится на экране. Это разные величины, и хороший RTF не гарантирует малой задержки.
Потому что число зависит от железа, и его придётся указывать вместе с конфигурацией — а это раскрывает себестоимость. Публикация цифры со всеми условиями ставит сервис в позицию, где скорость можно проверить.
Да, заметно. Разделение — отдельный проход по записи, и на длинных файлах он ощутим. Поэтому его можно отключить, если знать, кто говорит, не нужно.
Примерно за пять-шесть минут на обычном процессоре, с разделением по голосам. Ограничения по длительности одной записи нет.