Голосовой ввод для брендов, имён и терминов: как повысить точность

Точность на брендах, именах и терминах растёт не от громкой или медленной речи, а от личного словаря: слово один раз добавляют в список, и дальше модель распознаёт его в исходном виде вместо похожего по звучанию. У Потока (potok.now) такой словарь терминов и имён есть в любом тарифе, а базовая точность распознавания — WER 2,1% на бенчмарке GolosTest.

Модели распознавания речи учатся на больших массивах обычных разговоров и текстов, а редкие бренды, фамилии и узкоотраслевые термины встречаются там нечасто или не встречаются вовсе. Из-за этого такие слова модель может расслышать не как есть, а подобрать похожее по звучанию слово из общего словаря — обычного, всем известного. Разница в точности на такой лексике зависит не от громкости голоса, а от того, знает ли программа заранее, каких слов от пользователя ждать.

Как повысить точность на брендах, именах и терминах

Голосовой ввод сначала распознаёт звук в текст по общей языковой модели, а уже потом текст появляется в поле. Модель обучена на массовой речи, и чем реже слово встречается в такой речи, тем выше риск, что она заменит его на похожее по звучанию, но более частотное. Название бренда, фамилия клиента, узкий технический термин — всё это редкие для общей модели слова, даже если для конкретного человека они звучат каждый день.

Разработчики решают эту проблему по-разному. GigaType, например, построен на GigaAM — нейросети, обученной специально под русский язык, а Диктуй заявляет точность 95–98% на чистой русской речи. Но общая точность модели и точность именно на незнакомых ей словах — разные вещи: без отдельного механизма для конкретных имён и терминов у любой программы срабатывает один и тот же принцип замены на похожее.

Единственный способ, который решает проблему системно, а не от случая к случаю, — личный словарь: слово добавляют туда один раз, и дальше модель распознаёт его в исходном виде, а не подбирает похожее. У Потока (potok.now) такой словарь принимает и термины, и имена, и доступен он в любом тарифе, включая бесплатный.

Есть словарь и у части других программ: у Lispr, например, словарь входит в набор функций, которые остаются бесплатными без аккаунта — в отличие от платных функций других сервисов. Подробнее о том, какие программы для диктовки что предлагают, можно посмотреть в каталоге программ голосового ввода.

Кроме словаря помогает и то, как произносится сама фраза: если редкое слово идёт посреди быстрой скороговорки, у модели меньше шансов выделить его границы правильно. Небольшая пауза перед именем или брендом и чуть более чёткое произношение снижают число замен даже без словаря — но полностью проблему это не убирает, потому что модель всё равно подбирает вариант из известных ей слов.

Где точность на именах особенно важна

Чаще всего с этой проблемой сталкиваются там, где редкие слова — часть обычной работы: отдел продаж диктует названия компаний-клиентов и брендов конкурентов, поддержка — имена и модели продуктов, маркетинг — названия кампаний и слоганы. В таких текстах одна неверно распознанная фраза меняет смысл предложения, и это дороже, чем время на однократное добавление слова в словарь.

Разбор того, как голосовой ввод в целом справляется именно с русской речью — не только с редкими словами, — есть в материале о голосовом вводе под русскую речь. Для разовой диктовки без повторяющихся терминов словарь не так важен: проще один раз поправить текст руками, чем настраивать список для слова, которое больше не понадобится.

При этом полезно помнить и про платформу, на которой работает команда: Talkpad, например, доступен не только на Windows и macOS, но и на Android, поэтому список терминов там пригодится и при диктовке с телефона в дороге. У Потока мобильных версий нет — он работает на Windows, macOS и Linux, и личный словарь там доступен на обоих.

Когда словарь не спасает

У Потока нет голосовых команд для правки уже вставленного текста, поэтому если слово распознано неверно, его всё равно приходится поправлять руками — словарь снижает число таких случаев, но не отменяет саму правку. Поток — облачный сервис, распознавание речи идёт на серверах в России, и без подключения к интернету диктовка не работает, а значит словарь тоже не поможет офлайн. И ещё важная деталь: словарь распознаёт слова, которые в него добавили заранее, а не подсказывает правильный вариант постфактум для текста, надиктованного до этого.

Частые вопросы

Первоисточники: speakflow.ru · speakflow.ru · speakflow.ru · blog.speakflow.ru