Голосовой ввод через микрофон ноутбука или гарнитуру: в чём разница в качестве

Разница в качестве голосового ввода между встроенным микрофоном ноутбука и гарнитурой — это разница в расстоянии до источника звука и в уровне фонового шума, а не в самой программе распознавания. Гарнитура у самого рта улавливает речь чище и оставляет меньше слов на правку руками. У Потока (potok.now) на нашем бенчмарке GolosTest WER 2,1%, но даже такая модель распознаёт ровно то, что успел разобрать микрофон.

Качество голосового ввода — это в первую очередь качество звука на входе: программа распознавания работает с тем, что ей передал микрофон, и не умеет достроить смазанную согласную или отделить голос от гула вентилятора задним числом. У большинства ноутбуков микрофон встроен в корпус рядом с экраном или клавиатурой, у гарнитуры — рядом со ртом, и это единственное системное отличие между ними: остальное зависит от помещения и модели наушников.

Из чего складывается разница между микрофоном ноутбука и гарнитурой

Голосовой ввод работает по одной схеме независимо от программы: микрофон превращает звук в цифровой сигнал, модель ищет в нём слова, отдельный механизм расставляет знаки препинания, готовый текст попадает в поле, где стоит курсор. Модель не может домыслить звук, которого не было в записи — она работает с тем сигналом, что ей передали, и не отличает потерянную согласную от намеренной паузы.

Расстояние и направленность

Встроенный микрофон ноутбука обычно стоит у экрана или у клавиатуры, в 30–50 см от лица, и слышит комнату целиком: эхо от стен, разговор в соседней комнате, звук телевизора. Гарнитура придвинута к самому рту, в 2–4 см, и физически ловит меньше постороннего звука ещё до того, как сигнал вообще попадёт в программу — это уже не вопрос настроек, а вопрос геометрии.

Фоновый шум и вентилятор

У ноутбука есть собственный источник шума — вентилятор охлаждения, который раскручивается сильнее во время видеозвонка или тяжёлой обработки видео и звука. Встроенный микрофон стоит рядом с ним и захватывает этот гул вместе с голосом; в открытом пространстве офиса туда же добавляется стук чужой клавиатуры и разговоры за соседним столом. Гарнитура выносит микрофон подальше от корпуса ноутбука и ближе ко рту, и доля постороннего звука в записи падает ещё до этапа распознавания.

У Потока для такой смешанной и профессиональной речи есть собственная модель, обученная под русский язык, и личный словарь для имён и терминов — но и она разбирает ровно тот сигнал, что записал микрофон, а не восстанавливает звуки, которых в записи не было.

Место, где происходит распознавание, на эту разницу почти не влияет. Часть программ, например Molvi и GigaType, распознаёт голос прямо на устройстве, без передачи звука на сервер: GigaType построен на GigaAM — нейросети Сбера, обученной под русский язык. Другая часть, вроде SpeakFlow и Диктуй, работает в облаке. В обоих случаях модель получает тот же сигнал с микрофона, и разница между встроенным микрофоном и гарнитурой сохраняется независимо от того, куда уходит звук дальше. Чем Поток в этом смысле устроен иначе, разобрано в сравнении Потока с GigaType.

Когда хватает встроенного микрофона, а когда нужна гарнитура

Встроенного микрофона обычно достаточно в тихой комнате, где рядом никого нет, ноутбук стоит на столе, а не на коленях, и сессия короткая — реплика в мессенджер, короткое письмо, пара предложений в заметку. Чем ближе экран к лицу и чем тише вокруг, тем меньше разница с гарнитурой ощущается на практике.

Гарнитура нужна там, где условия хуже. Открытое пространство офиса, где рядом разговаривают коллеги. Видеозвонок, во время которого одновременно работает вентилятор ноутбука и звучит голос собеседника из динамиков. Кафе, кухня с включённой вытяжкой, машина на светофоре. Длинная диктовка на 10–15 минут подряд, когда положение ноутбука не всегда стабильно и расстояние до микрофона постоянно меняется.

Отдельный случай — диктовка с именами, техническими терминами и смесью русского с английским: в шумной записи такие слова путаются чаще обычных фраз, и точная гарнитура здесь окупается быстрее, чем в обычной переписке. Как модель справляется именно с русской речью и смешанными терминами, подробно разобрано в статье про распознавание русской речи при диктовке.

Есть и практический эффект накопления: время на правку ошибок после диктовки в шумной комнате складывается за день в заметную сумму, а недорогая гарнитура с обычным разъёмом решает эту проблему один раз и навсегда. Для человека, который надиктовывает целый рабочий день, разница между двумя микрофонами ощущается уже к обеду, а не только на длинных текстах.

Где Поток не лучший вариант

Поток — облачный сервис: голос уходит на сервер в России, и без подключения к интернету он не работает вовсе. Если качество связи важнее качества звука — например, диктовка идёт в дороге с нестабильным мобильным интернетом, — надёжнее окажется программа с распознаванием прямо на устройстве, вроде Molvi или GigaType.

Сам Поток не умеет заранее исправить плохой сигнал: шум вентилятора он не отфильтрует, эхо комнаты не уберёт — это вопрос микрофона и расстояния до него, а не настроек программы. Бесплатный тариф ограничен 2500 слов в неделю на одном устройстве, и тому, кто диктует много и в сложных акустических условиях, часть слов уходит на повтор непонятых фраз — лимит исчерпывается быстрее, чем в тихом кабинете с гарнитурой.

Частые вопросы

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