Qo‘ng‘iroqlarda o‘zbek tilini eng aniq taniydi.
Audiokitob va yangiliklarda emas — aloqa markazida haqiqatan eshitiladigan nutqda o‘qitilgan: tor telefon liniyasi, shovqin, gap bo‘linishi, rus so‘zlari aralash o‘zbek tili. Quyida — jonli misollar, Muxlisa, VoiceLab, ElevenLabs va Gemini bilan taqqoslash va 1000 soat narxi.
Misollarni ko‘rish ↓Audiokitobni yaxshi taniydigan model qo‘ng‘iroqda bir necha barobar ko‘p adashadi.
O‘zbek tili uchun ko‘pchilik modellar toza nutqda o‘qitiladi: diktorlar, podkastlar, videolar. Qo‘ng‘iroqda esa ovoz 8 kHz polosagacha qirqilgan, odamlar bir vaqtda gapiradi, «ha», «xo'p», «mhm» deb javob beradi, gap o‘rtasida rus tiliga o‘tadi («znachit», «srazu», «dostup»), toshkent shevasi esa qo‘shimchalarni yutib yuboradi.
Gapi STT v1 aynan shunday qo‘ng‘iroqlarda o‘qitilgan. Tanish ustida korrektor, tinish belgilari, raqamlarni raqamda yozish va so‘zlar bo‘yicha suhbatdoshlarni ajratish ishlaydi.
O‘nta haqiqiy bo‘lak. Bitta fayl — besh xil javob.
Shaxsiy ma’lumotlarsiz. Bular oson misollar emas: o‘z modelimiz odatiy qo‘ng‘iroqdagidek adashadigan bo‘laklarni oldik. Tizimlar xatolar soni bo‘yicha tartiblangan; foiz — qo‘lda tekshirilgandan keyingi so‘zlardagi xato ulushi.
Xato: boshqa so‘z yoki ma’noni o‘zgartiradigan boshqa shakl, tushib qolgan so‘z. Xuddi shu so‘zning so‘zlashuv shakli xato hisoblanmaydi.
Qo‘ng‘iroqlarda eng kam xato — Gapi’da.
Inson transkripsiyasidan har bir farqni barcha tizimlar uchun bir xil qoidalar bilan qo‘lda ko‘rib chiqdik. Xato emas: boshqa shakl yoki yozilishdagi o‘sha so‘z («ko'rvotir» va «ko'ryapti»), «-ku», «-da» qo‘shib yoki ajratib yozilishi, ikkinchi suhbatdoshning qisqa «ha»lari. Xato: boshqa so‘z, fe’lning boshqa shaxsi yoki zamoni, ma’noni o‘zgartiradigan kelishik, mavjud bo‘lmagan so‘z, tushirish va qo‘shish. Uch va undan ortiq tizim bir xil eshitsa — xato transkripsiyada deb hisoblanadi. Bu benchmark emas, o‘nta bo‘lak, va ularni o‘zimiz tanladik.
Toshkent shevasida tizimlar bir-biriga yaqin. Qo‘ng‘iroqlarda esa farq kattaroq: VoiceLab’da xato Gapi’dagidan 1,7 barobar ko‘p, qolgan tizimlarda uch barobardan ortiq. So‘zlashuv shakllari («o'tqazvorvomman», «qivotuvdik») va rus so‘zlari («peresadka», «kommercheskiy», «propushchenniy») boshqa tizimlarda adashtiriladi yoki ohangdosh so‘zlar bilan almashtiriladi. Birinchi qo‘ng‘iroqda Gemini va ElevenLabs «diller» so‘zidan ism o‘ylab topdi: «Dillaram», «Dileram». Gemini «peresadka»ni «Piterga» qildi. Muxlisa shovqinli podkastda hech kim aytmagan «o'n uch so'm»ni yozib qo‘ydi.
So‘zni bilish kam — kim aytganini bilish kerak.
Stereo yozilgan qo‘ng‘iroqlarni oldik — har bir suhbatdosh o‘z kanalida, to‘g‘ri javob oldindan ma’lum. Ikkala tizimga bir xil mono versiyani berdik va boshqa odamga yozilgan so‘zlar ulushini hisobladik.
2,6 %so‘z boshqa odamga yozilgan
8,3 %so‘z boshqa odamga yozilgan
Ming dan ortiq qo‘ng‘iroq, o‘qitishda ishlatilmagan kompaniyalardan. Farq statistik jihatdan ahamiyatli.
Narxi teng bo‘lganlar orasida — eng aniq.
Aniqligi yaqin mahalliy xizmatlardan 8–10 barobar arzon. Gapi narxiga suhbatdoshlarni ajratish va tahlil ham kiradi. Modellar yangilanadi — narx o‘zgarmaydi.
Gapi — 35 so‘m / daqiqa. ElevenLabs Scribe v2 — $0,22 / soat (elevenlabs.io/pricing/api). Gemini 3 Flash Preview — audio tokenlar narxi, o‘rtacha qo‘ng‘iroq bo‘yicha (ai.google.dev/gemini-api/docs/pricing). VoiceLab — 1000 soat sig‘adigan eng arzon tarif, proporsional (voicelab.uz/pricing). Muxlisa — 350 so‘m / daqiqa, 25.10.2026. Kurs — 11 838,92 so‘m / $, O‘zbekiston MB, 24.10.2026.
O‘z faylingizda tekshiring.
Bitta qo‘ng‘iroqni yuklang va natijani o‘zingiz ishlatayotgan xizmat bilan solishtiring.