Почему транскрибация встреч сложнее обычной диктовки одного голоса

Транскрибация встречи труднее обычной диктовки, потому что модели нужно не просто превратить речь в текст, а разделить голоса нескольких участников, разобрать наложенные реплики и определить, кто что сказал. Обычная диктовка работает с одним голосом в тишине — например, у Потока (potok.now) это около 900 знаков в минуту против 200 при печати.

Обычная диктовка и расшифровка встречи звучат похоже — обе превращают речь в текст, — но задачи разные. При диктовке человек говорит один, в тишине, и программе нужно просто узнать слова. На встрече говорят несколько человек, реплики иногда накладываются, а расшифровке ещё нужно понять, кому какая фраза принадлежит. Дальше — что именно из-за этого усложняется технически.

Чем распознавание речи на встрече отличается от диктовки одного голоса

Ядро любой программы распознавания речи — модель, которая переводит звук в текст. Она хорошо справляется, когда голос один, звучит близко к микрофону и без посторонних звуков поверх. Именно так устроена обычная диктовка: человек нажимает хоткей, произносит фразу, отпускает — модель точно знает, чья это речь и где она начинается и заканчивается.

На встрече условия другие. Участников несколько, микрофон обычно один на комнату или ноутбук каждого, расстояние до него разное, а громкость и манера речи у всех свои. Люди перебивают друг друга, реплики накладываются, и в момент наложения программе приходится распознавать сразу два голоса в одном отрезке звука — задача сама по себе сложнее, чем разобрать одну чистую фразу.

Из-за этого одного распознавания слов недостаточно. Нужна ещё диаризация — отдельная технология, которая делит запись на отрезки по смене голоса, а затем объединяет отрезки одного человека в общую дорожку и подписывает их условными метками вроде «Спикер 1». Распознавание слов и диаризация — разные модели, которые на записи встречи должны работать вместе, а в обычной диктовке вторая просто не нужна: там всегда известно, что говорящий один.

Добавляются и обычные акустические трудности: эхо в переговорной, шум от нескольких источников сразу, разная громкость у дальнего и ближнего участника. Диктовка одного голоса с этим почти не сталкивается — человек говорит рядом с микрофоном по своей инициативе, и записывать посторонние голоса программе не приходится.

Где такая диктовка помогает, а где начинаются сложности

Диктовка одного голоса экономит время именно там, где раньше пришлось бы печатать: письмо, заметка, комментарий к задаче, реплика в мессенджере. Нажал хоткей, сказал фразу — она сразу легла в поле активного приложения, без промежуточного файла и без ожидания обработки записи целиком. В обзоре программ для голосового ввода собраны инструменты именно под этот сценарий — один человек и один активный документ.

Как только за столом оказывается больше одного говорящего, сценарий меняется. Программе для диктовки нечего делать с звуком планёрки или созвона: она рассчитана на короткую реплику одного человека, а не на непрерывную запись разговора нескольких людей с последующим разбором, кто что сказал. Здесь нужен инструмент другого класса — транскрипция с диаризацией, который принимает готовую запись и возвращает текст, размеченный по участникам, обычно с таймкодами для каждой реплики.

Есть и промежуточный случай: человек после встречи надиктовывает резюме своими словами — что обсудили, какие договорённости. Это снова диктовка одного голоса, только пересказ, а не прямая расшифровка чужих реплик, и обычная программа для голосового ввода с этим справляется так же хорошо, как с любым другим текстом.

Когда лучше печатать самому или брать инструмент для встреч

Если нужно расшифровать уже записанную встречу с несколькими участниками — созвон, планёрку, интервью, — Поток для этого не подходит: он надиктовывает то, что говорит один человек, прямо в активное поле приложения по нажатию хоткея, а готовые аудиофайлы и записи не обрабатывает вообще — для готовых записей у «Потока» есть Telegram-бот @potok_now_bot. Поток — облачный сервис, распознавание идёт на серверах в России, без подключения к интернету не работает.

Для расшифровки многоголосых записей нужен отдельный инструмент с разделением по говорящим. Среди программ из этого обзора у GigaType распознавание идёт прямо на устройстве, без отправки звука в сеть — для части задач это важнее самой точности. А печатать вручную по-прежнему проще, если текст короткий или содержит много формул, таблиц и правок, где голосом только терять время.

Частые вопросы

Первоисточники: yandex.ru · vc.ru · speech2text.ru · audio-2-text.ru