Beam search — алгоритм поиска, который на каждом шаге распознавания речи сохраняет сразу несколько наиболее вероятных вариантов продолжения фразы, а не единственный. Так модель не отбрасывает раньше времени гипотезу, которая по ходу фразы может оказаться точнее того варианта, что выглядел лучшим на предыдущем шаге. Beam search применяется не только в распознавании речи.
Распознавание речи в каждый момент может продолжиться несколькими похожими по звучанию словами, и модели нужно выбрать, какую цепочку слов считать окончательным ответом. Beam search — один из способов сделать этот выбор, не полагаясь на первое подвернувшееся слово. Разбор соседних понятий — в словаре терминов распознавания речи.
Что означает термин beam search
Beam search — алгоритм поиска, который вместо единственного самого вероятного слова на каждом шаге держит сразу несколько лучших вариантов продолжения фразы. По определению источника (Wikipedia), beam search — эвристический алгоритм поиска, который исследует граф вариантов, раскрывая на каждом шаге самый перспективный узел из ограниченного набора.
Применительно к распознаванию речи это значит, что модель не фиксирует слово сразу, как только встретила самый вероятный на этом шаге вариант: она удерживает несколько параллельных гипотез и в конце выбирает ту цепочку слов целиком, у которой итоговая вероятность оказалась выше. Beam search используется не только в автоматическом распознавании речи — тот же приём встречается и в других задачах, где текст генерируется последовательно, слово за словом.
| Термин | Что значит | Пример |
|---|---|---|
| Beam search | алгоритм поиска наиболее вероятной последовательности слов среди множества гипотез распознавания | beam search перебирает несколько лучших вариантов, а не только один |
| Облачное распознавание | обработка голоса на удалённом сервере, а не на устройстве пользователя | для облачного распознавания нужен интернет |
| Микрофонный массив | несколько микрофонов, расположенных рядом и работающих совместно для улучшения захвата звука | микрофонный массив в ноутбуке помогает выделить голос на фоне шума |
| End-to-end модель | архитектура распознавания речи, где один нейросетевой блок сразу переводит звук в текст, без отдельных акустической и языковой моделей | end-to-end модели сегодня — основной подход в современном ASR |
Пример из диктовки
Beam search перебирает несколько лучших вариантов, а не только один — в этом и есть суть его работы: вместо того чтобы сразу зафиксировать первое подходящее слово, алгоритм временно держит в памяти несколько правдоподобных продолжений фразы. Он проверяет каждый из этих вариантов дальше по фразе и в конце выбирает тот, у которого получилась наибольшая вероятность, а не тот, что казался лучшим на первом шаге.
Как это касается Потока, а где нет
«Поток» — облачный сервис, распознавание идёт на серверах в России, без интернета он не работает. Использует ли его модель именно beam search или другой способ поиска лучшей последовательности слов, «Поток» не публикует — здесь термин разобран как общий приём в распознавании речи, а не как заявленная деталь конкретного продукта.
Частые вопросы
Что такое beam search. «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 beam search» надиктовка идёт в то же поле, где вы обычно печатаете: переключаться между программами не нужно.
Что такое beam search. «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 beam search» надиктовка идёт в то же поле, где вы обычно печатаете: переключаться между программами не нужно.
Что такое beam search. 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 beam search» надиктовка идёт в то же поле, где вы обычно печатаете: переключаться между программами не нужно.
Что такое beam search. Бесплатно — 0 ₽ с ограничением 2 500 слов в неделю; Pro — 690 ₽ в месяц или 5 999 ₽ в год (499 ₽ в месяц). «Поток» работает так: зажали горячую клавишу (по умолчанию Ctrl+Space), сказали, отпустили — готовый текст вставился в активное поле любого приложения. 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 beam search» 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»Одна подписка — два инструмента: диктовка в любой программе на компьютере и @potok_now_bot в Telegram, который расшифровывает голосовые, аудио и видео.
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