Τι χρειαζόμαστε από την ομάδα
Φτιάχνουμε ένα σύστημα που συνδυάζει τρεις μηχανές απομαγνητοφώνησης αντί για μία.
WER στο κλειδωμένο benchmark των 391 παραθύρων. Ίδια δεδομένα, ίδιος decoder. Χαμηλότερο είναι καλύτερο.
Πού βρισκόμαστε
Ο κώδικας υπάρχει σε branch, χωρίς PR. Ο πυρήνας σε Python αναπαράγει τα τρία κλειδωμένα νούμερα ακριβώς, χωρίς καμία απόκλιση. Το τελευταίο τεστ πριν από οποιοδήποτε πληρωμένο τρέξιμο δουλεύει τοπικά με ψεύτικους providers, οπότε δεν περιμένει τίποτα από κανέναν.
Δεν ζητάμε να αλλάξει η μηχανή που χρησιμοποιεί το OpenCouncil.
Ζητάμε κάτι πολύ μικρότερο: να τρέχει το fusion παράλληλα με το Scribe, στις ίδιες συνεδριάσεις, να κρατάμε το αποτέλεσμά του για σύγκριση, και να μην το βλέπει κανένας χρήστης. Αυτό λέγεται shadow, και δεν αλλάζει τίποτα σε ό,τι βγαίνει σήμερα προς τα έξω.
Τι χρειαζόμαστε
- Κλειδιά ElevenLabs και Anthropic για developmentΤο Scribe δεν είναι ανταγωνιστής εδώ, είναι ένα από τα τρία συστήματα που συνδυάζονται, και το μόνο που δίνει χρόνους ανά λέξη. Χωρίς αυτά δεν τρέχει τίποτα.
- Έναν ελληνόφωνο για μία μέρα, περίπου 120 clipsΤο fusion σε κάποια σημεία σβήνει λέξεις. Θέλουμε κάποιον να ακούσει αυτά τα σημεία και να πει αν ειπώθηκαν όντως ή όχι. Ένα άτομο φτάνει για να ξεκινήσουμε. Αν τα αποτελέσματα σηκώνουν αμφιβολία, ζητάμε και δεύτερο.
- Ποιος λέει το ναι, όταν έρθει η ώραΣήμερα κάθε συνεδρίαση περνά από το Scribe. Κάποια στιγμή θα προτείνουμε να περνά από το fusion. Αυτή η απόφαση δεν είναι δική μας, και θέλουμε να ξέρουμε από τώρα ποιος τη βγάζει, ώστε η δουλειά να μη μείνει στο ράφι επειδή δεν ρωτήσαμε κανέναν.
- Πρόσβαση σε stagingΓια να τρέξει το shadow σε πραγματικές συνεδριάσεις και όχι μόνο σε αρχεία που έχουμε ήδη εδώ.