Профессиональные сокращения и аббревиатуры при диктовке: как их распознают сервисы

Сервисы голосового ввода распознают частые аббревиатуры — API, СНИЛС, ИНН — по языковой модели, обученной на большом объёме текста, а редкие профессиональные сокращения путают со звучащими похоже словами. У Потока (potok.now) для таких случаев есть личный словарь терминов и заявленная скорость надиктовки около 900 знаков в минуту — термины добавляют заранее, и распознавание перестаёт угадывать слово заново.

Аббревиатура — сокращение, которое произносят по буквам («ю-эс-би») или как целое слово («вуз», «загс»). Голосовой ввод распознаёт не буквы, а звучание: он превращает услышанную речь в текст так же, как обычную фразу, и здесь у сокращений есть особенность — частые аббревиатуры сервис узнаёт по обучающим текстам, а узкие профессиональные термины конкретной сферы или компании — нет, если их туда никто заранее не добавлял. Похожая тема разбиралась и в статье про голосовой ввод под русскую речь — там больше про произношение в целом, здесь — конкретно про сокращения.

Как это устроено

Распознавание речи работает в два шага: сначала звук превращается в набор вероятных звучаний, а затем языковая модель выбирает из них наиболее вероятную последовательность слов — не по буквам, а по тому, какой текст чаще встречался в материалах, на которых модель обучалась. Частые аббревиатуры вроде API, СНИЛС, ИНН, ЖКХ или НДС попадают в обучающие тексты постоянно, поэтому распознаются почти так же надёжно, как обычные слова.

Проблема начинается там, где сокращение редкое, а звучит похоже на что-то более частое. Модель в такой ситуации выбирает не то, что произнесли, а то, что статистически вероятнее по звучанию, — и профессиональный термин узкой сферы, которого почти нет в общих текстах, проигрывает более распространённому слову или созвучной аббревиатуре из другой области. Это не ошибка в звуке, а следствие того, что модель обучена на общей речи, а не на словаре конкретной профессии.

Решает эту проблему не более чёткое произношение, а список терминов, заранее известный сервису. У Потока для этого есть личный словарь: туда вносятся сокращения, названия и термины, характерные для работы конкретного человека, и при распознавании они получают приоритет перед похожими по звучанию словами общего языка. У Lispr, для сравнения, словарь входит даже в бесплатные функции, доступные без регистрации, — то есть подобная функция встречается не только в платных сервисах, но условия её использования у каждого продукта свои; разбор одного из них есть в статье Поток или GigaType.

Где диктовка помогает частым сокращениям, а где путает редкие

В медицине, юриспруденции, IT и финансах хватает и общеупотребимых, и узких сокращений одновременно. МРТ, УЗИ, НДС, ООО, API, SQL — такие термины настолько часто встречаются в текстах, что распознаются почти без ошибок с первой попытки, потому что они уже «знакомы» языковой модели любого современного сервиса.

Сложнее с сокращениями, которые понятны только внутри одной компании или узкой специализации: названия внутренних систем, коды подразделений, сокращённые названия проектов, специфичные медицинские или юридические термины редких направлений. Здесь распознавание регулярно путает нужное сокращение с похожим по звучанию словом из обычной речи — и без заранее внесённого словаря ошибка будет повторяться при каждой диктовке, а не исчезнет сама собой после нескольких попыток.

Отдельная категория — сокращения, которые различаются только на слух: «ИП» и «ИТ» звучат почти одинаково при быстрой речи, как и многие другие пары из двух-трёх букв. В таких случаях помогает не сам словарь, а контекст всей фразы — модель выбирает вариант, который лучше согласуется с остальным предложением, поэтому диктовать сокращение в составе полной фразы надёжнее, чем произносить его отдельно.

Кому лучше не рассчитывать на голосовой ввод для сокращений

Если текст почти полностью состоит из плотных сокращений и кодов — например, построчная запись технических параметров или юридических ссылок без связного текста между ними, — голосовой ввод распознаёт такую речь хуже, чем обычные фразы: языковой модели не на что опереться контекстом, а словарь терминов ускоряет только знакомые сервису слова, а не расшифровывает произвольный набор кодов с нуля.

Поток — облачный сервис, распознавание на серверах в России, без интернета он не работает, а голосовых команд и правки голосом у него нет: если сокращение распозналось неверно, его исправляют вручную или повторной диктовкой, а не голосовой репликой «замени на нужный термин». Личный словарь тоже требует подготовки заранее — он не сработает для термина, который добавили только что и ни разу не диктовали, потому что распознаванию, как и человеку, нужно время привыкнуть к новому слову в паре с его написанием.

Частые вопросы

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