בדיקה שערכנו בעצמנו · פברואר 2026 Our own benchmark · February 2026

תמלול בעברית,
סוף סוף בדיוק. Hebrew transcription,
finally accurate.

הרצנו שתי בדיקות נפרדות: הקלטת זום אמיתית בעברית, וסט הקלטות סינתטי. QuickScribe מובילה בשתי הבדיקות.

We ran two separate tests: a real Hebrew Zoom meeting, and a synthetic audio set. QuickScribe leads in both.

94.36%

דיוק · בדיקה א׳ (זום)

Accuracy · Test A (Zoom)

5.64% WER · סטייה של +1 מילה מול קו בסיס אנושי

5.64% Word Error Rate · +1 word variance vs human baseline

בדיקה א׳

Test A

הקלטת זום אמיתית (~7 דק׳) Real Hebrew Zoom meeting (~7 min)

מנוע Engine	דיוק Accuracy	WER	סטיית מילים Word variance
QuickScribe מנצח Winner	94.36%	5.64%	+1+1 word
OpenAI Whisper	77.27%	22.73%	−40−40 words
Google Gemini Pro	76.02%	23.98%	+1+1 word
Sonix	71.00%	29.00%	00 words
YouTube	47.81%	52.19%	+42+42 words
CapCut	42.57%	57.43%	+94+94 words
Clipchamp	34.95%	65.05%	−48−48 words

שתי הבדיקות משתמשות באודיו שונה, ולכן אי אפשר להשוות ציונים בין בדיקה לבדיקה.

The two tests use different audio, so scores are not comparable across tests.

בדיקה ב׳

Test B

בדיקה שנייה: סט הקלטות סינתטי Second test: synthetic audio set

מנוע Engine	דיוק Accuracy	WER
QuickScribe מנצח Winner	90.88%	9.12%
Sonix	86.09%	13.91%
TurboScribe	82.38%	17.62%
Alef Bot	78.52%	21.48%

בבדיקה זו נמדדו רק Sonix, TurboScribe ו-Alef Bot.

In this test, only Sonix, TurboScribe, and Alef Bot were measured as competitors.

שתי הבדיקות משתמשות באודיו שונה, ולכן אי אפשר להשוות ציונים בין בדיקה לבדיקה.

The two tests use different audio, so scores are not comparable across tests.

שם/מקור הסט: Google WAV ASR

Dataset name/source: Google WAV ASR

שפה: עברית

Language: Hebrew

תאריך הבדיקה: 20.9.26

Test date: 20.9.26

מי הריץ: הרצה עצמית

Who ran it: Self-run

מתודולוגיה

Methodology

מהו Word Error Rate (WER)? What is Word Error Rate?

מה זה WER WER explained

WER (שיעור שגיאות מילה) הוא המדד המקובל למדידת דיוק תמלול. הוא סופר החלפות, מחיקות והוספות הדרשות כדי להפוך את פלט המכונה לטקסט אנושי נכון.

Word Error Rate (WER) is the gold standard for measuring transcription accuracy. It counts substitutions, deletions, and insertions required to turn a machine transcript into the correct human text.

WER = (S + D + I) / N
S=החלפות D=מחיקות I=הוספות N=מספר מילים S=substitutions D=deletions I=insertions N=total words

איך הורצה הבנצ׳מארק How this benchmark was run

תמללנו פגישת זום אמיתית של 7 דק׳ בעברית דרך כל מנוע, ואז אימתנו מול תמלול ייחוס אנושי באמצעות פונקציית WER בפייתון. אותו אודיו, אותו ייחוס, ללא “דגימה מוטה” — לכל מנוע.

We transcribed a 7-minute real-world Hebrew Zoom meeting through each engine, then validated results against a human reference transcript using a standard Python WER function. No cherry-picking — same audio, same reference, every engine.

הבדיקה בוצעה על הקלטה אחת של כ-7 דקות; תוצאות עשויות להשתנות בהקלטות אחרות.

One ~7-minute recording; results may differ on other audio.

אימות עצמי

Verify it yourself

אל תסמכו רק עלינו Don’t take our word for it

הורידו את קובצי האודיו ואת תמלול הייחוס, הריצו כל מנוע שתרצו, ומדדו WER בעצמכם עם מחשבון מקוון — בלי התחייבות.

Download our test audio and the human-verified reference transcript, run any engine you want, and measure the WER yourself with a free online tool. No signup required.

שלב 01

Step 01

הורדת קבצי הבדיקה Download test files

אודיו 7 דק׳ (זום עברי) ותמלול ייחוס אנושי — למטה.

Get the original 7-min Hebrew Zoom audio and human reference transcript below.

שלב 02

Step 02

תמלול בכל מנוע Transcribe with any engine

הריצו דרך QuickScribe, Whisper, Gemini — מה שרוצים לבדוק.

Run the audio through QuickScribe, Whisper, Gemini — whichever tool you want to test.

שלב 03

Step 03

חישוב WER Calculate WER

הדביקו ייחוס + פלט מכונה בכלי WER חינמי.

Paste the human transcript and your machine output into the free WER tool and hit calculate.

🎧 אודיו בדיקה (זום עברי · 7 דק׳) 🎧 Test audio (Hebrew Zoom · 7 min) 📄 ייחוס אנושי (.txt) 📄 Human reference transcript (.txt) 📄 דוגמת פלט QuickScribe (.txt) 📄 QuickScribe sample output (.txt)

למחשבון WER חינמי → Open free WER calculator →

המדע

The science

למה עברית “שוברת” מודלים גנריים Why Hebrew breaks generic AI

קללת הרב־לשוניות The curse of multilinguality

מודלים שאומנו על עשרות שפות „מדללים” יכולת פונטית. דפוסי עיצורים ייחודיים, ניקוד חסר, ו־RTL — נדחסים בנתוני אימון גנריים.

Models trained on dozens of languages dilute capacity across competing phonetics. Hebrew’s structure is underrepresented in generic training data.

אודיו אמיתי = מלוכלך Real-world audio is messy

במעבדה — קול נקי. בפגישה — רעש, מיקרופון לא אחיד, הד. מודלים גנריים נשברים; ה־DSP אצלנו מכין את האות לפני הדיבור.

Lab = clean; meetings = noise and reverb. Generic models fail; QuickScribe’s DSP compensates first.

ניתוב דו-שלבי Dual-Stage Routing

מזהים שפה, ואז מנתבים ל־מומחה עברי — לא לרב־לשוני אחד. התמחות מנצחת.

We detect language, then route to a dedicated Hebrew model — not a single shared multilingual one.

הפער מצטבר The gap compounds

בבדיקת הזום (א׳), 94% מול 77% נשמע קטן — אבל בשעה: מאות שגיאות מול עשרות. תיקון ידני יכול לקחת יותר מהפגישה מחדש.

In the Zoom test (A), 94% vs 77% sounds small — but over an hour: hundreds of errors vs many fewer — fix time explodes.

פרטי בדיקה א׳

Test A details

שחזור עצמי (זום) Reproducible methodology (Zoom)

עברית Hebrew זום 7 דק׳ 7-min Zoom רעש אמיתי Real-world Python WER ייחוס אנושי Human ref פברואר 2026 Feb 2026

מקור אודיו: פגישת Zoom בעברית, ~7 דק׳, משרד רגיל, מיקרופון רגיל.

Audio source: 7-min Hebrew Zoom under normal conditions, standard hardware.

ייחוס: תמלול אנושי איכותי כבסיס הערכה.

Reference: Human ground truth as baseline.

מנועים: QuickScribe, Whisper, Gemini Pro, Sonix, YouTube, CapCut, Clipchamp — אותו קובץ, ברירת מחדל.

Engines: Same file, default settings, all listed engines.

הערכה: WER סטנדרטי; סטיית מילים — הפרש ספירת מילים מול האנושי.

Evaluation: Standard WER; word variance = count difference vs human.