文字起こしは入力の問題であり、文字起こしの問題ではありません

単語の精度が優れているトランスクリプトであっても、エージェントにとってはほとんど役に立たない可能性があります。その理由は音響的なものではなく構造的なものです。

1 時間の会議が、途切れることのない正しい単語の 1 つのブロックとして表現されると考えてください。どの用語も正しいです。誰が発言したのか、1 つの話題がどこで終わったのか、どの文が決定であり、どの誰かが大声で考えたのかを示すものは何もありません。アクションアイテムを抽出するように依頼されたエージェントは、そのすべてを散文から再構築する必要がありますが、自信を持って時折発明を行います。

エージェントが実際に必要としているもの

• 講演者の帰属。 「延期すべきだ」という言葉の意味は誰が言ったかによって異なり、代理人は文章だけから権威を推測することはできません。
• セグメントの境界。トピックのシフトは検索の境界が属する場所です。これらがなければ、1 時間全体が 1 つのチャンクとなり、1 つのチャンクは検索できません。
• 処理後に残るタイムスタンプ。代理人が決定がなされたと主張するとき、決定が下された瞬間にジャンプできるかどうかが、主張と引用の違いです。
• 自信の合図。システムが難しいと判断した文章は、確かに読める流暢なテキストに滑らかにするのではなく、そのようにマークされるべきです。

これらは精度を追求した改良ではありません。これらは精度を実用化するものです。

自信満々の失敗

私たちが最もよく目にする障害モードは、あいまいさをサイレントに解決するシステムです。音声は不明瞭で、出力は推測であることを示すきれいな文章でした。

下流では、エージェントが他のすべての文を処理するのと同じようにその文を処理し、再構成は誰かが行動する要約の中で事実になります。エラーはエージェントに起因するものではなく、エージェントにはそれを知る方法がありませんでした。

それ自体の不確実性をマークする転写は、読むのにあまり快適ではありませんが、その上に構築するのはかなり安全です。

これがエージェント システムに適合する場所

文字起こしは連鎖の始まりです。音声がテキストになり、テキストがチャンクになり、チャンクが取得されたコンテキストになり、コンテキストが誰かが信頼する答えになります。最初のステップで生じた欠陥は、最後のステップでは見えなくなります。

これが、当社がトランスクリプトの品質を個別の調達決定ではなく、評価ループの一部として扱う理由です。評価で最終的な回答のみがスコア付けされる場合、取得の失敗と転写の失敗は同じように見え、間違ったレイヤーの調整に数週間を費やすことになります。

実践的なアドバイス

クリーンなサンプルではなく、自分のオーディオで評価してください。実際の録音には、クロストーク、アクセント、背景ノイズ、組織特有の語彙が含まれており、これらはまさにシステムが分岐する状況です。

次に、実際に必要なことを評価します。単語の誤り率ではなく、エージェントが録音に関して実際の質問をしたときに、正しい文章が検索され、正しく答えられるかどうかを評価します。これは、リンクではなくチェーンを測定します。

次へ

文字起こしページでは、言語の範囲と、録音が外部に残せない独自のインフラストラクチャ内での実行などの展開オプションについて説明します。エージェント オーケストレーション システムのページでは、チェーン全体を測定可能に保つ評価レイヤーについて説明します。