Ile czasu zajmuje transkrypcja godziny nagrania?

Czas realizacji zależy przede wszystkim od tego, czy pracę wykonuje człowiek czy SI – oraz od rozmiaru zastosowanego modelu.

Transkrypcja SI: 60-minutowy plik audio jest przetwarzany w 1-3 minuty na nowoczesnej infrastrukturze GPU. Większe modele (Whisper Large v3 lub modele klasy premium dostrojone pod kątem dokładności) trwają nieco dłużej – około 3-5 minut na godzinę nagrania. Jeśli dostawca ma zatłoczoną kolejkę, czas oczekiwania może się wydłużyć. Dostawcy tacy jak DeepScript prowadzą kolejkę priorytetową dla zadań premium, dzięki czemu wyprzedzają one zadania standardowe.

Transkrypcja przez człowieka: wykwalifikowany transkrybent przetwarza około 15 minut nagrania na godzinę pisania. Godzina nagrania wymaga zatem 3-5 godzin pracy człowieka przy czystym materiale – i 6-8 godzin, gdy jest trudny (wielu mówców, dialekt, żargon, słaby dźwięk). Doliczyć trzeba 24-48 godzin oczekiwania w kolejce/na rezerwację, bo praca czeka w kolejce.

Podejście hybrydowe: wiele profesjonalnych usług wykorzystuje SI jako pierwszy przebieg, a wynik poprawia człowiek. Skraca to czas pracy człowieka do 1-2 godzin na godzinę nagrania, przy dokładności niemal ludzkiej. Typowe czasy realizacji: 24 godziny w standardzie, 4-6 godzin z dopłatą za tryb pilny.

Co spowalnia: długie ciszy i tak są przetwarzane (brak oszczędności czasu); słaba jakość dźwięku wymusza dłuższe przebiegi modelu; wiele małych plików jest często wolniejszych niż kilka dużych z powodu narzutu na każde zadanie. W transkrypcji na żywo przez WebSocket latencja to inna miara: dobre systemy zwracają wyniki pośrednie w 300-800 ms, a ostateczny tekst w 1-2 sekundy.

Reguła praktyczna: licz od pół do całego dnia na godzinę nagrania, gdy w grę wchodzi człowiek. W przypadku czystej transkrypcji SI: zanim zrobisz kawę, będzie gotowa.