Формулы, цифры и единицы измерения голосом: где голосовой ввод спотыкается

Числа, формулы и единицы измерения — самое частое место, где голосовой ввод ошибается: одну и ту же фразу можно записать цифрами или словами, с точкой или запятой, а модель угадывает формат по контексту и иногда угадывает неверно. У «Потока» (potok.now) WER 2,1% на бенчмарке GolosTest — это средняя ошибка по обычной речи, а не отдельно по числам.

Голосовой ввод переводит звук в буквы, и с обычными словами справляется хорошо: у большинства слов один устоявшийся способ написания. С числами, формулами и единицами измерения так не получается — «пять» может остаться словом или стать цифрой «5», «км» можно продиктовать как «километров» или ждать, что программа сама сократит, а «икс в квадрате плюс игрек» вообще не имеет однозначной текстовой записи без специальных символов.

Почему числа и формулы сложнее обычных слов

После того как акустическая модель распознала звук как последовательность слов, отдельный шаг — нормализация текста — решает, как записать числительные: словами или цифрами, с разделителем разрядов или без. Для обычной речи этот шаг почти не заметен, а для чисел именно здесь чаще всего возникает ошибка, потому что однозначного правила на все случаи не существует.

Разделитель дробной части — первый источник путаницы: в русском языке принята запятая («пять целых три десятых»), но в текстах и таблицах нередко используют точку, особенно если рядом английские термины или код. Даты добавляют вторую неоднозначность: «двадцать пятое» может остаться числом дня, а может относиться к году или номеру пункта — модель определяет это по соседним словам, и на короткой фразе без контекста легко ошибается.

Единицы измерения — отдельная сложность. Сокращения вроде «км», «кг», «мм рт. ст.» произносятся полными словами, и программе нужно решить, сокращать их на письме или оставить как есть; единого стандарта у разработчиков нет, и в разных программах результат отличается. Номера — телефонов, счетов, ИНН, заказов — распознаются как отдельные цифры, и здесь риск в другом: одна перепутанная или пропущенная цифра меняет весь номер, а на слух такую ошибку заметить труднее, чем при наборе на клавиатуре, где видно каждый символ.

Формулы — самый сложный случай из всех. У знаков «плюс», «минус», «умножить» есть устная форма, но у степени, корня, суммы, греческих букв и многоуровневых дробей — нет общепринятого способа произнести их так, чтобы программа однозначно поняла, какой символ нужен. Разные люди диктуют одну и ту же формулу по-разному, и распознавание в лучшем случае даёт черновик, который придётся доработать руками. Полный список программ для голосового ввода с их особенностями собран в разделе с обзором.

Где диктовка чисел работает нормально, а где спотыкается

Короткие числа в естественной речи распознаются почти без проблем: «встреча в три часа», «мне тридцать лет», «купил за пятьсот рублей» — такие сочетания часто встречаются в живой речи, и модель уверенно превращает их в цифры или оставляет словами по контексту.

Спотыкается диктовка там, где числа идут плотно и без опоры на обычную фразу. Длинные последовательности цифр — номер телефона, ИНН, номер заказа — приходится диктовать по цифре, и здесь легко потерять одну или продиктовать её дважды. Дроби и проценты («пять целых три десятых процента») создают путаницу с разделителем — точка или запятая, а иногда программа и вовсе оставляет число словами вместо цифр. Единицы измерения, вставленные в середину фразы («пробежал пять километров за двадцать пять минут»), не всегда сокращаются одинаково в разных частях текста. О том, как модели вообще справляются именно с русской речью — с её падежами и порядком слов, влияющими на распознавание чисел, — подробнее в материале про голосовой ввод под русскую речь.

Формулы и таблицы с большим количеством цифр — случай, где диктовка почти всегда проигрывает набору руками: после распознавания текст приходится вычитывать и поправлять форматирование, и на это уходит времени не меньше, чем ушло бы на прямой ввод.

Когда лучше печатать, а не диктовать числа

Если основная часть работы — заполнение таблиц с числами, финансовые расчёты, формулы или каталоги с артикулами и кодами, надиктовывание вряд ли сэкономит время: после распознавания почти всегда нужна правка формата, а печатать сразу может быть быстрее и надёжнее. Для длинных последовательностей цифр — номеров счетов, ИНН, серийных номеров — диктовка менее надёжна, чем ручной ввод или копирование: ошибка в одной цифре меняет весь номер, а проверить её на слух сложнее, чем визуально сверить с оригиналом.

Поток — облачный сервис, распознавание на серверах в России; без интернета не работает, поэтому там, где числа критичны, а связи нет — в поле, на объекте без сети, — диктовка недоступна вообще, независимо от того, насколько точно программа обычно справляется с цифрами.

Частые вопросы

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