Розпізнавання мовлення: як телефон перетворює голос на текст

Розпізнавання мовлення (STT, Speech-to-Text) - це технологія, яка перетворює усну мову на текст. На ній працюють голосове введення, субтитри, голосові асистенти і розшифровка записів.

Простими словами

Уяви стенографістку, яка сидить на уроці й записує все, що каже вчитель, - швидко і без пауз. Розпізнавання мовлення - така сама стенографістка, тільки цифрова: слухає мікрофон і друкує текст. Якщо всі говорять одночасно або в класі гамір, вона, як і людина, щось пропустить.

Як це працює

1. Мікрофон записує звук, система прибирає частину шуму.
2. Звук розбивають на короткі фрагменти і перетворюють на «спектр» - картинку звуку.
3. Нейромережа визначає, які звуки і слова там найімовірніші.
4. Мовна модель підправляє результат за змістом: «пишу лист», а не «пишу лис».
5. Текст з'являється на екрані - часто ще поки ти говориш.

Де ти це побачиш

Голосове введення на клавіатурі, голосові повідомлення з розшифровкою в месенджерах, автоматичні субтитри на YouTube і в дзвінках, диктофони з транскрипцією, голосові асистенти, розумні колонки і годинники.

Чи важливо це при виборі

Для покупки - якщо ти часто диктуєш, перевір, чи підтримує телефон розпізнавання української без інтернету: це швидше і приватніше. Для навчання - транскрипція записаних лекцій економить години. Якість сильно залежить від мікрофонів: у шумі краще працюють телефони і навушники з кількома мікрофонами та шумозаглушенням.

Міфи

• Міф: Розпізнавання не розуміє суржик і акценти. Насправді: Сучасні моделі справляються краще, ніж раніше, хоча помилок більше, ніж на чистій мові.
• Міф: Телефон постійно записує все, що я кажу. Насправді: Зазвичай він слухає лише ключову фразу на кшталт «Окей, Google» локально і починає розпізнавання після неї.

Часті питання

Як диктувати розділові знаки?

Кажи «кома», «крапка», «знак питання» - більшість клавіатур це розуміють.

Чи працює розпізнавання без інтернету?

На багатьох сучасних телефонах так, якщо завантажити мовний пакет.

Чи можна розшифрувати запис лекції?

Так, вбудовані диктофони деяких смартфонів і окремі сервіси роблять транскрипцію і навіть підсумки.

Пов'язані терміни

Синтез мовлення, Живий переклад дзвінків, ШІ на пристрої, Мультимодальна модель