Therefore, the classification of au

Therefore, the classification of audio segments in good or
bad quality is not yet solvable automatically, as the term
“good quality” is very subjective and strongly depends on
one’s personal perception. Nevertheless, the proposed segmentation
method can perform a preselection that speeds
up the manual transcription process significantly. The
experimental results show that the WER decreased by about
19 percent, when adding 7.2 hours of speech data from our
lecture videos to the training set (cf. Table 3).

ผลลัพธ์ (ไทย) 1:

ดังนั้น การจัดประเภทของเสียงในดี หรือคุณภาพยังไม่แก้ไขโดยอัตโนมัติ เป็นระยะ"คุณภาพดี" เป็นอัตนัยมาก และเกิดขึ้นได้จากของบุคคลรับรู้ อย่างไรก็ตาม การแบ่งกลุ่มนำเสนอวิธีที่สามารถทำการคัดสรรที่รวดเร็วค่าจดการประมวลผลอย่างมีนัยสำคัญ การผลการทดลองแสดงว่าน้อลดลงเกี่ยวกับร้อยละ 19 เมื่อมีการเพิ่มชั่วโมง 7.2 ข้อมูลเสียงจากเราบรรยายวิดีโอในชุดการฝึกอบรม (เทียบตารางที่ 3)

ผลลัพธ์ (ไทย) 2:

ดังนั้นการจัดหมวดหมู่ของกลุ่มเสียงในที่ดีหรือ
มีคุณภาพไม่ดีคือไม่ได้แก้ปัญหาได้โดยอัตโนมัติในขณะที่คำว่า
"คุณภาพดี" เป็นอัตนัยมากและขอขึ้นอยู่กับ
การรับรู้ส่วนบุคคลของคน ๆ หนึ่ง อย่างไรก็ตามการแบ่งส่วนที่นำเสนอ
วิธีการที่สามารถดำเนินการล่วงหน้าว่าความเร็ว
ในกระบวนการถอดความคู่มืออย่างมีนัยสำคัญ
ผลการทดลองแสดงให้เห็นว่า WER ลดลงประมาณ
ร้อยละ 19 เมื่อมีการเพิ่ม 7.2 ชั่วโมงของข้อมูลจากคำพูดของเรา
วิดีโอการบรรยายชุดการฝึกอบรม (cf ตารางที่ 3)

ผลลัพธ์ (ไทย) 3:

ดังนั้น การจัดหมวดหมู่ของกลุ่มเสียง ดี หรือคุณภาพไม่ดี ยังไม่สามารถแก้ปัญหาได้โดยอัตโนมัติ เป็นเงื่อนไข" คุณภาพดี " เป็นอัตนัยและขอขึ้นอยู่กับหนึ่งของการรับรู้ส่วนบุคคล อย่างไรก็ตาม การเสนอวิธีสามารถแสดงเครื่องที่ความเร็วขึ้นคู่มือการถอดความกระบวนการสำคัญ ที่ผลการทดลองแสดงให้เห็นว่าผู้ที่ลดลงประมาณ19 เปอร์เซ็นต์ เมื่อเพิ่ม 7.2 ชั่วโมงของข้อมูลจากปากของเราบรรยายวิดีโอชุดฝึก ( CF . ตารางที่ 3 )