Омофоны при диктовке: почему голосовой ввод путает слова, которые звучат одинаково

Голосовой ввод путает слова, которые звучат одинаково, потому что распознавание — это два этапа: акустическая модель слышит только звук, а нужное слово по смыслу фразы выбирает языковая модель. Даже при заявленной точности 95–98% у Диктуй омофоны остаются слабым местом. Поток (potok.now) и другие сервисы исправляют такие слова по контексту, но не всегда верно.

«Компания» и «кампания» звучат одинаково, а пишутся и значат по-разному — человек различает их по смыслу фразы, и голосовой ввод должен угадать так же. Омофоны, слова с одинаковым или почти одинаковым звучанием, есть в любом языке: в русском это пары вроде «плод»/«плот» или «бачок»/«бочок». Когда диктовка выбирает не то слово, дело обычно не в плохом слухе программы, а в том, как устроено само распознавание.

Почему голосовой ввод путает слова, которые звучат одинаково

Распознавание речи в программе диктовки — не один шаг, а два разных. Сначала акустическая модель слушает звук и переводит его в последовательность вероятных звуков: она ещё не знает слов, только то, как устроена речь физически — какие частоты и интонации похожи на «плод», а какие на «плот». На этом этапе омофоны для программы вообще неразличимы: звук у них совпадает или почти совпадает, и по одной физике сигнала правильное слово не выбрать.

Дальше в дело вступает языковая модель — компонент, который берёт список кандидатов от акустической модели и выбирает из них слово, подходящее по смыслу фразы. Именно она решает, что после «мы подписали» пойдёт «компания», а после «избирательная» — «кампания»: не по звуку, а по вероятности такого сочетания слов в языке. У Диктуй, например, заявлена точность 95–98% на чистой русской речи, но даже такая цифра не означает, что омофоны исчезают: она про общее качество распознавания, а не про случай, когда два разных слова звучат одинаково и языковой модели не на что опереться, кроме контекста.

Проблема обостряется там, где контекста мало: короткие фразы, перечисления, имена собственные, узкие термины из профессиональной области — всё это языковая модель видела реже, чем бытовую речь, и вероятность угадать нужное слово падает. Знаков препинания и пауз, которые человек расставляет на письме заранее, во время устной речи нет — запятая или тире в надиктованном тексте появляются только после того, как слово уже выбрано.

Личный словарь отчасти снимает эту проблему для повторяющихся слов: если термин или имя внесены туда заранее, программа получает готовую подсказку и реже заменяет его на созвучное общеупотребительное слово. У Потока такой словарь есть — для разовых или редких слов он не поможет, зато для терминов, которые диктуются постоянно, ошибка перестаёт повторяться. Подробнее о работе распознавания с русской речью — в разборе особенностей голосового ввода под русский язык.

Где путаница словами обходится дорого, а где неважна

В обычной переписке или черновике одно спутанное слово почти не мешает: смысл фразы понятен из соседних предложений, а исправить «кампания» на «компания» — секундное дело перед отправкой. Здесь скорость диктовки перевешивает редкие ошибки: надиктовать абзац и поправить одно слово выходит быстрее, чем печатать весь текст руками.

Другое дело — тексты, где спутанное слово меняет смысл, а не просто режет глаз: юридические формулировки, адреса и номера, медицинские термины, имена клиентов и партнёров. Программа, распознающая профессиональный термин впервые, опирается только на языковую модель общего назначения, а та подставляет более частотное созвучное слово — так «дефекты» превращаются в «эффекты», а фамилия «Плотников» — в «плодников». Такой текст стоит перечитывать целиком, а не выборочно.

Отдельная категория — короткие команды и перечисления без развёрнутого контекста: список из отдельных слов (адреса, артикулы, имена) даёт языковой модели меньше всего опоры, и доля ошибок на омофонах здесь заметно выше, чем в связном тексте из нескольких предложений подряд.

Скорость надиктовки у Потока — около 900 знаков в минуту против примерно 200 при печати (заявлено производителем), и это преимущество сохраняется даже с поправкой на исправление отдельных слов: несколько секунд на правку не перекрывают выигрыш во времени на самой диктовке связного текста. Для перечислений и терминов, где ошибка стоит дороже, выигрыш по скорости стоит взвешивать против времени на проверку каждого слова.

Когда лучше печатать или проверять текст самому

Если текст пойдёт без проверки — в договор, счёт, медицинскую карту или официальное письмо, — надиктовывать его целиком рискованно: одно спутанное слово в таком тексте не бросается в глаза, но меняет смысл или создаёт ошибку в документе. Здесь надёжнее напечатать вручную или обязательно перечитать надиктованное перед отправкой, а не полагаться на то, что языковая модель угадает верно.

То же касается диктовки без сети: Поток — облачный сервис, распознавание идёт на серверах в России, а без подключения к сети он не работает вообще, так что в самолёте, в лифте или в месте со слабым сигналом голосовой ввод недоступен и нужна клавиатура. Для такой диктовки подойдёт программа, которая распознаёт прямо на устройстве, например GigaType на нейросети GigaAM — подробнее в сравнении Потока и GigaType.

Редкие фамилии, названия зарубежных препаратов и иностранные термины, которых нет в личном словаре, — ещё один случай, где надиктовка чаще даёт сбой: языковой модели не на чем строить вероятность, и она подставляет ближайшее по звучанию знакомое слово. Такие слова надёжнее печатать или вставлять из заготовленного текста.

Частые вопросы

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