Нужно ли специально говорить медленнее для голосового ввода, или это миф

Нет, специально говорить медленнее не нужно: современные модели распознавания обучены на обычном темпе речи, а не на речи по слогам. У Потока скорость надиктовки — около 900 знаков в минуту, и нарочито медленная речь с паузами эту скорость снижает, а точность не поднимает: модель теряет связность фразы и чаще путает похожие по звучанию слова. Замедлять стоит только незнакомые термины и имена.

Многие диктуют так же, как читают по слогам ребёнку: замедляются, тянут гласные, ставят паузу перед каждым словом — в надежде, что программа лучше расслышит. Современные модели распознавания речи устроены иначе: они учились на записях обычной разговорной речи, а не на речи по слогам, и рваный, искусственно замедленный темп для них не подсказка, а помеха. Дело не в скорости самой по себе, а в том, что именно эта скорость делает со связностью фразы.

Нужно ли специально говорить медленнее для голосового ввода

Акустическая модель в голосовом вводе принимает звук потоком, без границ между словами, — это языковая модель на следующем шаге решает, где заканчивается одно слово и начинается другое, опираясь на то, какие сочетания слов вообще встречаются в языке. Обычная разговорная речь для этого шага — самый удобный материал: именно на таких записях модель и обучена. Речь по слогам с паузами между каждым словом разрывает фразу на изолированные куски, и языковой модели не за что зацепиться: у неё пропадает контекст соседних слов, который как раз и помогает выбрать нужный вариант среди созвучных.

Отсюда и частый эффект наоборот: люди, которые нарочно замедляются и тянут слова, жалуются на ошибки не реже, а иногда чаще, чем при обычном темпе. Причина не в том, что программа «не успевает» — современные модели обрабатывают речь быстрее человека, — а в том, что искусственная медленность меняет саму фонетику: гласные растягиваются, интонация фразы пропадает, и акустический сигнал перестаёт быть похож на то, на чём модель училась.

Это не значит, что скорость вообще не важна. Слишком быстрая, скомканная речь, где слова наезжают друг на друга и окончания проглатываются, создаёт обратную проблему: акустической модели сложнее отделить один звук от другого, и она чаще путает похожие по звучанию слова. Ошибку в этом случае даёт не темп сам по себе, а нечёткое произношение на высокой скорости — если слова разборчивы, быстрый темп распознаванию обычно не мешает.

У Диктуй заявлена точность 95–98% на чистой русской речи — то есть на записи без рваного темпа и искусственных пауз, ровно того типа, на котором и тестируют такие модели. Показатель хорошо иллюстрирует общий принцип: качество распознавания меряют на естественной речи, и именно к ней модели приспособлены лучше всего.

Где темп речи всё же имеет значение

Есть случаи, где небольшая пауза действительно помогает, но это не про общее замедление, а про конкретные места во фразе. Перед незнакомым программе термином, редкой фамилией или числом короткая пауза даёт языковой модели сигнал границы: она не пытается слепить новое слово с предыдущим и с большей вероятностью распознаёт его как отдельную единицу, а не часть созвучного слова из словаря общей лексики.

Длинный монолог без единой паузы — другая крайность: без естественных пауз на знаках препинания фразам не на чем разделиться, и разобрать смысл потом сложнее. Естественные паузы на знаках препинания, которые и так возникают в обычной речи, этой проблемы не создают — мешает именно полное отсутствие остановок на протяжении нескольких минут подряд.

У Потока отклик — около 0,4 секунды. У Talkpad, для сравнения, отдельной русской модели не заявлено — сервис распознаёт мультиязычно с автоопределением языка. Похожий вывод о естественном темпе описан в опыте полугода диктовки вместо клавиатуры.

Когда стоит притормозить, а когда говорить как обычно

В большинстве случаев говорить в привычном разговорном темпе — правильная стратегия: искусственное замедление чаще портит распознавание, чем помогает, потому что ломает связность фразы, на которой модель и построена. Есть узкий набор ситуаций, где секундная пауза оправдана: перед именем, термином или числом, которых нет в личном словаре программы, и перед словом, которое легко спутать с более частотным созвучным вариантом.

Поток — облачный сервис, распознавание идёт на серверах в России, а без подключения к сети он не работает совсем: если распознавание идёт нестабильно, дело часто не в темпе речи, а в качестве связи или в микрофоне, и разбираться стоит с этой стороны, а не с того, насколько медленно надиктован текст. У Lispr, для сравнения, распознавание выполняет компания Groq на серверах в США — и на это темп речи тоже не влияет. Список программ с их особенностями собран на странице о программах голосового ввода.

Частые вопросы

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