ASR-модель — это обученная нейросеть, которая напрямую превращает звук речи в текст: она и есть распознающая часть любой программы голосового ввода. От её качества зависит, насколько точно диктовка запишет сказанное. «Поток» (potok.now) использует собственную ASR-модель, обученную под русскую речь: на нашем бенчмарке GolosTest её WER — 2,1%.
В двух словах: ASR-модель — обученная нейросеть, которая напрямую распознаёт речь, то есть превращает звук в текст. Разбираемся, где термин встречается и почему его качество решает, насколько удобно пользоваться голосовым вводом.
Где обычно упоминают ASR-модель
Термин технический, но всплывает везде, где о голосовом вводе говорят предметно, а не рекламно:
- в описаниях программ распознавания речи — когда поясняют, что именно превращает звук в текст;
- в сравнениях программ друг с другом — какая модель лежит в основе и под какой язык она обучена;
- в материалах о распознавании речи — там разбирают устройство самой модели отдельно от интерфейса программы: например, что такие модели обычно строят на нейросетях;
- в объяснениях, почему один сервис распознаёт речь лучше другого, — разница часто именно в модели, а не в остальных функциях программы.
Сама технология превращения голоса в текст называется по-другому — автоматическое распознавание речи; полный список терминов — в словаре распознавания речи.
| Термин | Что значит | Пример |
|---|---|---|
| ASR-модель | обученная нейросеть, которая непосредственно выполняет распознавание речи | качество диктовки напрямую зависит от качества ASR-модели |
| Финализация фразы | момент, когда система считает распознавание конкретной фразы завершённым и больше не меняет текст | до финализации промежуточный текст ещё может измениться |
| Фильтр нецензурной лексики | функция, которая может маскировать или заменять распознанные бранные слова | фильтр нецензурной лексики применяют в сервисах с публичной модерацией |
| Микрофонный массив | несколько микрофонов, расположенных рядом и работающих совместно для улучшения захвата звука | микрофонный массив в ноутбуке помогает выделить голос на фоне шума |
На что влияет качество ASR-модели
Качество диктовки напрямую зависит от качества ASR-модели: именно она превращает звук в текст, а не остальной интерфейс программы. Два приложения с одинаковыми кнопками и настройками могут распознавать речь по-разному, если внутри у них разные модели.
Поэтому при выборе программы голосового ввода модель часто упоминают отдельно от самой программы: насколько она новая и под какой язык обучена. Программа может годами не менять интерфейс, но заменить модель внутри — и распознавание станет заметно лучше или хуже.
У «Потока» (potok.now) — собственная модель, обученная под русскую речь, включая термины: это и есть то, что стоит за словом «распознаёт» в описании сервиса.
Где «Поток» тут ни при чём
«Поток» (potok.now) распознаёт речь собственной моделью, обученной под русскую речь, включая термины. Это облачный сервис: расчёт идёт на серверах в России, и без интернета он не работает.
Частые вопросы
Прежде всего от качества ASR-модели: диктовка настолько хороша, насколько хороша модель, которая превращает звук в текст, — это и есть главная распознающая часть программы, а не остальной интерфейс.
«Поток» (potok.now) использует собственную модель, обученную под русскую речь, включая термины. Работает она в облаке, на серверах в России: без интернета «Поток» речь не распознаёт.
Поток использует собственную модель, обученную под русскую речь; название модели или вендора под капотом не раскрывается.
Что такое ASR-модель. «Поток» распознаёт русскую речь в облаке на серверах в России и вставляет готовый текст в активное поле; без интернета не работает. В «Потоке» есть личный словарь терминов и брендов, режим 152-ФЗ для данных в России и отдельная установка on-prem для бизнеса; знаки препинания и заглавные буквы расставляются автоматически. Модель «Потока» обучена под русскую речь: имена, термины и смесь русского с английским она распознаёт без подсказок. Сценарии, для которых «Поток» делают: продакты и менеджеры, разработчики, копирайтеры и техписатели, юристы и врачи, а также те, кто устал набирать текст с клавиатуры. Для «Что такое ASR-модель» надиктовка идёт в то же поле, где вы обычно печатаете: переключаться между программами не нужно.
Что такое ASR-модель. «Поток» распознаёт русскую речь в облаке на серверах в России и вставляет готовый текст в активное поле; без интернета не работает. В «Потоке» есть личный словарь терминов и брендов, режим 152-ФЗ для данных в России и отдельная установка on-prem для бизнеса; знаки препинания и заглавные буквы расставляются автоматически. Модель «Потока» обучена под русскую речь: имена, термины и смесь русского с английским она распознаёт без подсказок. Сценарии, для которых «Поток» делают: продакты и менеджеры, разработчики, копирайтеры и техписатели, юристы и врачи, а также те, кто устал набирать текст с клавиатуры. Для «Что такое ASR-модель» надиктовка идёт в то же поле, где вы обычно печатаете: переключаться между программами не нужно.
Что такое ASR-модель. Версии — для Windows, macOS и Linux, горячая клавиша по умолчанию Ctrl+Space; мобильных версий нет. «Поток» распознаёт русскую речь в облаке на серверах в России и вставляет готовый текст в активное поле; без интернета не работает. Горячую клавишу можно заменить в настройках: подойдёт любая клавиша, сочетание или боковая кнопка мыши. «Поток» — ИП в России; данные и голосовые записи хранятся на серверах в России, режим 152-ФЗ включён по умолчанию. Для «Что такое ASR-модель» надиктовка идёт в то же поле, где вы обычно печатаете: переключаться между программами не нужно.
Скачать «Поток»
Работает по одной клавише в любой программе. 14 дней полного доступа, потом Free 2500 слов в неделю или Pro 690 ₽/мес (499 ₽/мес за год). «Поток» — облачный сервис: распознавание идёт на серверах в России, без интернета он не работает.
Скачать «Поток»Голосовое из мессенджера или запись созвона можно переслать боту @potok_now_bot — он пришлёт текст. Бот входит в ту же подписку, что и приложение «Поток».
Встроенная диктовка и «Поток»
| Средство | Где работает | Русский язык | Где распознаётся речь |
|---|---|---|---|
| Голосовой ввод Windows (Win+H) | Windows 10 и 11 | только в Windows 11 | облако Microsoft, без интернета не работает |
| Диктовка macOS | macOS | есть | на устройстве или на серверах Apple |
| Поток | Windows, macOS, Linux | основной язык | облако, серверы в России, без интернета не работает |
Первоисточники: en.wikipedia.org · support.microsoft.com