תמלול אוטומטי בעברית: למה זה עדיין לא עובד כמו שמבטיחים

תמלול אוטומטי בעברית נשמע כמו בעיה פתורה: מעלים קובץ, ממתינים דקה, מקבלים טקסט. הפרסומות מבטיחות "דיוק של 99%", והדגמות על הקלטות אולפן אכן נראות מרשימות. אבל מי שניסה לתמלל אוטומטית שיחה אמיתית בעברית — פגישה עם רעש רקע, שיחת טלפון, ראיון עם שני מרואיינים — יודע שהמציאות אחרת: מילים מוחלפות, דוברים מתערבבים, ומשפטים שלמים מומצאים. במאמר הזה נסביר למה עברית קשה במיוחד למנועי תמלול, מה באמת השתפר בשנים האחרונות, ומה עדיין לא עובד — עם מספרים, בלי יחצנות.

למה עברית היא סיוט למנועי תמלול אוטומטי

מנועי זיהוי דיבור (ASR) מצטיינים באנגלית כי אומנו על מיליוני שעות של אנגלית. עברית מציבה בפניהם ארבעה מכשולים מבניים:

• מורפולוגיה עשירה. בעברית מילה אחת מקפלת בתוכה מילות יחס, שייכות וזמן: "וכשתפגשו", "מהמשרדים", "שאמרתי לך". המנוע צריך לפרק נכון כל צירוף כזה — ומרחב האפשרויות עצום לעומת אנגלית.
• כתב בלי תנועות. עברית נכתבת בלי ניקוד, כך שלרצף צלילים אחד יש כמה פירושים כתובים אפשריים, ולמילה כתובה אחת כמה הגיות. "ספר" יכול להיות סֵפֶר, סַפָּר או סָפַר — והמנוע חייב להכריע לפי הקשר.
• סלנג ועברית מדוברת. המרחק בין עברית תקנית לעברית של שיחה אמיתית גדול: "וואלה", "סבבה", "יאללה תקשיב", קיצורים ומבנים דיבוריים שכמעט לא קיימים בחומרי האימון הכתובים.
• מעברי שפה (Code-Switching). ישראלים משבצים באופן טבעי אנגלית באמצע משפט עברי — "תשלח לי אימייל עם ה-deadline" — ולעיתים גם ערבית או רוסית. מנוע שנעול על שפה אחת מאבד את המילים האלה או משבש אותן.

מה כן השתפר: ivrit.ai ו-Whisper בעברית

הוגנות מחייבת לומר: חלה התקדמות אמיתית. פרויקט ivrit.ai בנה מאגר פתוח של יותר מ-3,300 שעות עברית מדוברת — פודקאסטים, הרצאות ושיחות — בדיוק החומר שחסר למודלים. על בסיסו ובסיס מאגרים דומים כווננו גרסאות עבריות של Whisper, מנוע הקוד הפתוח של OpenAI, והפער מול אנגלית הצטמצם משמעותית.

התוצאה: בהקלטה נקייה — דובר אחד, מיקרופון טוב, בלי רעש — מנועים מודרניים מגיעים בעברית לדיוק של 96%–99%. זה מצוין לטיוטות, לחיפוש בתוך הקלטות ולסיכומים אישיים, וכלים חינמיים רבים כבר בנויים על המנועים האלה — סקרנו אותם במדריך תמלול הקלטות בחינם.

ומה עדיין שבור: המספרים שלא מספרים לכם

הקאץ' הוא שהקלטות אמיתיות כמעט אף פעם לא נקיות. מדד השגיאות המקובל בתעשייה הוא WER (Word Error Rate) — אחוז המילים השגויות, החסרות או המיותרות בתמליל. והנתונים ברורים:

• אודיו נקי: WER של 1%–4%, כלומר דיוק 96%–99%.
• סביבה רועשת או דיבור חופף: WER של 27%–34%, כלומר דיוק של 66%–73% בלבד.

במילים פשוטות: בהקלטה של פגישה בבית קפה, שיחת טלפון מרעש רחוב או ויכוח שבו אנשים מדברים זה על זה — יותר מרבע מהמילים משובשות. וזה בדיוק פרופיל ההקלטה שאנשים הכי צריכים לתמלל: שיחות אמיתיות, לא הקלטות אולפן.

ולזה מצטרפות שתי בעיות שלא נפתרות גם באודיו נקי:

• הפרדת דוברים. זיהוי אוטומטי של "מי אמר מה" (Diarization) נכשל שוב ושוב כשקולות דומים, כשמישהו מתפרץ באמצע משפט או כשמספר הדוברים לא ידוע מראש. בתמליל של עימות בין שני צדדים, ייחוס משפט לדובר הלא נכון הוא לא טעות סגנונית — הוא היפוך של הראיה.
• הזיות (Hallucinations). מנועים מבוססי מודלי שפה נוטים "להשלים" קטעים שקטים או לא ברורים במשפטים שנשמעים הגיוניים — אבל מעולם לא נאמרו. מתמלל אנושי כותב "[לא ברור]"; המנוע ממציא בביטחון מלא.

בעיית התצהיר: למה גם תמליל אוטומטי מושלם לא קביל

נניח שיום אחד תמלול אוטומטי בעברית יגיע לדיוק מושלם. בבית משפט זה עדיין לא יספיק. תמליל המוגש כראיה חייב להיות מלווה בתצהיר מתמלל במעמד חוות דעת מומחה: מי תמלל, מה ניסיונו, איך בוצעה העבודה, והצהרת נאמנות למקור — כשהחותם עומד לחקירה נגדית על כל שורה. אלגוריתם לא חותם על תצהיר ולא נחקר בבית משפט. לכן לתמליל מכונה, מדויק ככל שיהיה, אין כמעט ערך ראייתי. פירטנו את הדרישות בעמוד תמלול משפטי ובמדריך תצהיר מתמלל.

המודל שעובד: היברידי — AI מתמלל, אדם אחראי

הכיוון שמסתמן בתעשייה הוא לא "מכונה או אדם" אלא שילוב: המנוע מפיק טיוטה ראשונית מהירה, ומתמלל מקצועי עובר עליה שורה־שורה מול ההקלטה — מתקן שגיאות, מפריד דוברים, מפענח את הקטעים שהמכונה ויתרה עליהם ומסמן בשקיפות מה באמת לא ניתן לפענוח. בחומר עסקי ואקדמי באיכות שמע טובה, זרימת העבודה הזו מוזילה עלויות ומקצרת זמנים בלי לוותר על אחריות אנושית. בחומר משפטי רגיש, לעומת זאת, העבודה נשארת אנושית מהאזנה ראשונה ועד הגהה אנושית מדוקדקת — כי שם כל מילה היא ראיה. השוואה מסודרת בין הגישות תמצאו במאמר תוכנת תמלול מול מתמלל אנושי.

שורה תחתונה

תמלול אוטומטי בעברית עשה קפיצה אמיתית — בזכות ivrit.ai, Whisper והמודלים המכווננים — והוא כלי מצוין לטיוטות ולשימוש אישי. אבל בהקלטות אמיתיות הדיוק צונח ל-66%–73%, הפרדת הדוברים לא אמינה, והמנוע לא חותם על שום דבר. כשהתמליל צריך להיות נכון — ולא רק מהיר — צריך אוזן אנושית ואחריות אנושית. ב-JustText כל תמליל עובר תמלול והגהה אנושית בידי מתמללים דוברי עברית שפת־אם, בתמחור לפי דקת שמע בפועל — את המחיר המדויק לבחירה שלכם רואים מיד בטופס ההזמנה. פרטים נוספים בעמוד תמלול הקלטות בעברית.