دو انجن، ایک کام

Ray اسپیچ ریکگنیشن کے دو انجن استعمال کرتا ہے کیونکہ سب ٹائٹل کے تمام ورک فلو میں یکساں توازن درکار نہیں ہوتا۔

Sunray (سابقہ Ray Max) درستگی کے لیے بہتر بنایا گیا ہے۔ یہ کم وسائل والی زبانوں، محفوظ شدہ تاریخی مواد، پیشہ ورانہ سب ٹائٹل کے کام، اور ہر اس موقع کے لیے موزوں انجن ہے جہاں متن کا بولی گئی آڈیو کے زیادہ سے زیادہ قریب ہونا ضروری ہو۔

MoonRay (سابقہ Ray Turbo) رفتار کے لیے بہتر بنایا گیا ہے۔ یہ براہِ راست دیکھنے، فوری پیش منظر، اور بڑے بیچز کے لیے موزوں انجن ہے جہاں تیزی سے قابلِ استعمال سب ٹائٹلز حاصل کرنا اہم ہو۔

اس پوسٹ کی بنیاد بننے والا بینچ مارک ہر ماڈل کے لیے یکساں جانچ کے عمل کو استعمال کرتے ہوئے دونوں انجنوں کا 98 زبانوں میں موازنہ کرتا ہے۔ مقصد محض یہ مبہم دعویٰ کرنا نہیں کہ Ray کثیر لسانی ہے۔ مقصد یہ دیکھنے کا ایک قابلِ تکرار طریقہ فراہم کرنا ہے کہ یہ انجن مختلف رسم الخط، لہجوں اور لسانی خاندانوں میں کیسی کارکردگی دکھاتے ہیں۔

نوٹ: ذیل کے چارٹس انجنوں کی نئی برانڈنگ سے پہلے کے ہیں، اس لیے ان کی علامات میں اب بھی سابقہ نام دکھائی دیتے ہیں — Ray Max اب Sunray ہے، اور Ray Turbo اب MoonRay ہے۔

اعداد کو کیسے سمجھیں

بنیادی پیمانہ لفظی غلطی کی شرح (Word Error Rate) ہے، جسے عموماً WER کہا جاتا ہے۔ کم شرح بہتر ہوتی ہے۔ 5 فیصد WER کا مطلب ہے کہ نقلِ متن حوالہ جاتی متن کے بہت قریب ہے۔ زیادہ WER کا مطلب ہے کہ انجن نے زیادہ الفاظ بدلے، شامل کیے یا حذف کیے۔

آسان موازنے کے لیے اسی نتیجے کو درستگی کی صورت میں بھی دکھایا جا سکتا ہے:

accuracy = max(0, 100 - WER)

دوسرا انداز ایک نظر میں سمجھنا آسان ہے، لیکن WER بدستور زیادہ مفید انجینئرنگ پیمانہ ہے کیونکہ یہ واضح طور پر دکھاتا ہے کہ ماڈل کو کہاں دشواری پیش آ رہی ہے۔

مجموعی کارکردگی

مکمل نتائج: تمام 98 زبانیں

اعلیٰ کارکردگی والی زبانیں

سب سے زیادہ مشکل زبانیں

ہم کیا ناپتے ہیں

• 98 زبانوں میں ریکگنیشن کا معیار
• Sunray اور MoonRay کے درمیان فرق
• وہ زبانیں جن میں درستگی پہلے ہی روزمرہ سب ٹائٹلز کے لیے کافی مضبوط ہے
• وہ زبانیں جن کے لیے مزید تربیتی ڈیٹا، نارملائزیشن یا زبان کے مخصوص طریقۂ کار کی ضرورت ہے
• ناکامی کی وہ صورتیں جہاں ماڈل ماخذ آڈیو میں موجود متن سے زیادہ متن شامل کر دیتا ہے

سب ٹائٹلز کے لیے یہ کیوں اہم ہے

سب ٹائٹل انجن کو صرف اس بنیاد پر نہیں جانچا جاتا کہ وہ انگریزی کو کتنی اچھی طرح سنبھالتا ہے۔ حقیقی دنیا میں دیکھنے کا تجربہ زیادہ پیچیدہ ہوتا ہے: کثیر لسانی فلمیں، کوڈ سوئچنگ، علاقائی نام، شور والی ریکارڈنگز، اور ایسا مواد جو منظر کے دوران ایک زبان سے دوسری زبان میں منتقل ہوتا ہے۔

Ray اسی حقیقت کے لیے بنایا گیا ہے۔ بینچ مارکس ہمیں ڈیفالٹس منتخب کرنے، توقعات طے کرنے، اور یہ فیصلہ کرنے میں مدد دیتے ہیں کہ اگلی تربیت اور جانچ کا کام کہاں ہونا چاہیے۔

اہم پروڈکٹ نتیجہ سادہ ہے: Ray کام کی نوعیت کے مطابق رفتار اور درستگی میں سے انتخاب کر سکتا ہے، اور جیسے جیسے مزید زبانیں بینچ مارک پائپ لائن سے گزرتی ہیں، دونوں انجن مسلسل بہتر ہوتے رہتے ہیں۔