[A-DX] Oggi in onda l'edizione n. 15 di Bande Rumorose
Roger Thauer via groups.ioSonntag, 27. Juli 2025, 13:55 Uhr
https://www.facebook.com/groups/dxfanzine/posts/3610559645742116/ Il sommario di oggi prevede: un nostro servizio sulla storia di Radio Bayrak, la Voce della Repubblica Turca di Cipro del Nord, uno stato autoproclamatosi indipendente nel 1983 e che è riconosciuto ufficialmente in quanto tale solo dalla Turchia. Successivamente ospiteremo Andrea Lawendel, esperto appassionato DXer, che suggerisce l’ascolto di qualche emittente in onde corte, non necessariamente difficile, da tentare nei giorni e settimane a venire. Infine, la consueta rassegna di recentissimi ascolti di emittenti che operano in onde medie e corte. Come al solito non mancheranno jingle e annunci di identificazione di alcune delle emittenti a cui si accenna neò corso della trasmissione. Per ascoltare online tutte le edizioni di Bande Rumorose, basta cliccare questo link: https://dxfanzine.wordpress.com/bande-rumorose-programma-dx/ via Radio Centrale Milano: https://www.dropbox.com/scl/fi/2to4kry81huv4l2pl062w/2025-07-27_Bande_Rumorose_-15.mp3?rlkey=7iqgrrr34t0khnft5zcsnlemj&dl=0 Italian Speech to Text Transcription ===> Deutsch Sprecher 3 Bande Rumorose ist jetzt auf Sendung, ein DX-Programm mit Nachrichten, Wissenswertem, Technologie und Radiofakten für alle, die der Welt und ihren Stimmen auf Frequenzen von 0 bis 30 MHz zuhören, produziert in Zusammenarbeit mit der Redaktion von DX Fanzine. Sprecher 4 Ein herzliches Willkommen von Antonello Napolitano bei Bande Rumorose, einem wöchentlichen DX-Programm, das nun seine 15. Ausgabe erreicht hat, die letzte vor der Sommerpause. Unser Programm wird am Sonntag, dem 7. September 2025, mit der 16. Ausgabe auf allen Sendern, die es ausstrahlen, wieder auf Sendung gehen. Sprecher 2 (Musik) Sprecher 4 Die heutige Zusammenfassung umfasst: unseren Bericht über die Geschichte von Radio Bayrak, der Stimme der Türkischen Republik Nordzypern, eines Staates, der 1983 seine Unabhängigkeit erklärte und als solcher offiziell nur von der Türkei anerkannt wird. Als nächstes haben wir wieder Andrea Lawendel zu Gast, eine erfahrener DX-Enthusiast, die wir gebeten haben, uns einige Kurzwellensender vorzuschlagen, die in den kommenden Tagen und Wochen nicht unbedingt schwer zu erreichen sind. Zum Abschluss die übliche Zusammenfassung der neuesten Hörerlebnisse mit Mittel- und Kurzwellensendern, diesmal zusammengestellt von Antonello Napolitano. Sprecher 2 (Musik) Sprecher 5 Dies ist Radio Bayrak, die Stimme der Türkischen Republik Nordzypern. Übertragungen auf 1494 kHz, 200 Meter Mittelwelle, auf 6,150 MHz Kurzwelle und auf 87,8, 98,1 und 92 MHz VHF-Stereo. Sprecher 4 Die Geschichte von Radio Bayrak auf der Insel Zypern, die 1960 ihre Unabhängigkeit vom Vereinigten Königreich erlangte, ist das Ergebnis des schwierigen Zusammenlebens der dort ansässigen griechischen und türkischen Gemeinden. Die ersten Kämpfe brachen im Dezember 1963 aus, .......... "tutto completo": https://www.dropbox.com/scl/fi/smmk9bhzzj8olbmz5iuch/2025-07-27_Bande_Rumorose_-15.txt?rlkey=bhreffkxf90a6uy4trtb4bwas&dl=0 (komplett alles mit dem italienischen Modul!!) - tlw. Sender-IDs vermischt mit Moderation ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ ..... "Italian Transcription Benchmark" ?? ChatGPT said: Das ist eine Benchmark-Tabelle zum Vergleich von Spracherkennungsmodellen (ASR = Automatic Speech Recognition) auf dem FLEURS-Datensatz. Hier eine einfache Erklärung der Begriffe: 🔍 Was bedeuten die Spalten? Model FLEURS Scribe v1 1.3% WER Deepgram Nova 2 5.7% WER Gemini Flash 2 1.5% WER Whisper Large v3 2.9% WER Model: Der Name des Spracherkennungsmodells. FLEURS: Der Benchmark-Datensatz, auf dem die Modelle getestet wurden. FLEURS ist ein mehrsprachiger Open-Source-Datensatz von Google zur Bewertung von ASR-Systemen. WER (Word Error Rate): Gibt an, wie viele Wörter bei der Transkription falsch erkannt wurden. Je niedriger, desto besser. 📉 Was ist WER (Word Error Rate)? WER = (Anzahl der Fehlerwörter / Gesamtanzahl der Wörter im Originaltext) × 100 Beispiel: Wenn ein Satz 100 Wörter enthält und 3 Wörter falsch erkannt werden, ist die WER = 3%. 📊 Interpretation der Benchmark-Ergebnisse Scribe v1 (1.3% WER): Bestes Ergebnis – extrem genaue Transkription. Gemini Flash 2 (1.5%): Sehr knapp dahinter – auch sehr leistungsfähig. Whisper Large v3 (2.9%): Deutlich besser als viele Open-Source-Modelle, aber nicht ganz auf dem Niveau von Scribe oder Gemini. Deepgram Nova 2 (5.7%): Am schwächsten in diesem Vergleich. ✅ Fazit Je niedriger der WER-Wert, desto besser die Spracherkennung. In deinem Beispiel ist Scribe v1 das leistungsstärkste Modell auf dem FLEURS-Datensatz. Wenn du magst, kann ich dir auch helfen zu verstehen, welches dieser Modelle für deinen Anwendungsfall am besten geeignet ist. Der FLEURS-Datensatz ist ein multisprachlicher Benchmark-Datensatz für automatische Spracherkennung (ASR), der von Google Research entwickelt wurde. Hier ist eine einfache Erklärung: 📦 Was ist FLEURS? FLEURS steht für: “Few-shot Learning Evaluation of Universal Representations of Speech” Es ist ein Datensatz, der entwickelt wurde, um zu testen, wie gut Spracherkennungsmodelle in vielen Sprachen funktionieren – nicht nur in großen, häufig gesprochenen Sprachen wie Englisch, sondern auch in weniger verbreiteten. 🌍 Eigenschaften von FLEURS: 102 Sprachen: Von weit verbreiteten (Englisch, Spanisch, Chinesisch) bis hin zu seltenen (Wolof, Zulu, Khmer). Aufnahmen mit Text: Für jede Sprache gibt es Sprachaufnahmen von Sprechern + die passende Transkription. Balanced gender & accent: Enthält verschiedene Sprecher (männlich/weiblich) und Akzente pro Sprache. Ausgerichtet auf ASR: Genutzt, um Modelle zu bewerten, wie gut sie Sprache in Text umwandeln. 🧪 Wofür wird FLEURS verwendet? Zum Benchmarking von Spracherkennungsmodellen (z. B. Whisper, Deepgram, Scribe, Gemini). Zum Testen von Zero-shot- oder Few-shot-Lernen in neuen Sprachen. Zum Vergleich, wie universell ein Modell ist – ob es auch mit Sprachen funktioniert, für die es wenig Trainingsdaten gibt. 🧠 Beispiel-Anwendung: Wenn du ein Modell entwickelst, das Sprache in Text umwandelt, kannst du mit FLEURS testen: Wie gut funktioniert es in Französisch? Funktioniert es auch in Tamil, obwohl es dafür kaum Trainingsdaten gibt? Ist dein Modell robust gegenüber Akzenten und Dialekten? roger
