Двухпроходное распознавание — это режим, при котором черновой результат распознавания уточняется вторым проходом обработки: система быстро выдаёт предварительный текст, а затем правит его с учётом более широкого контекста. В одном исследовании второй проход снижал долю ошибок (WER) на 17–22% ценой небольшой задержки — компромисс, который встречается в разных системах распознавания речи, а не в каком-то одном продукте.
Термин «двухпроходное распознавание» встречается в статьях и документации систем распознавания речи (ASR), когда описывают архитектуру, а не в интерфейсах программ для пользователей. Он описывает, как система дорабатывает черновой результат распознавания вторым проходом, и как это соотносится с соседними терминами вроде акустической модели.
Что такое двухпроходное распознавание
Двухпроходное распознавание — это когда система обрабатывает одну и ту же речь не за один проход, а за два: первый проход выдаёт черновую гипотезу текста быстро, а второй проход возвращается к этой гипотезе и уточняет её, опираясь на более широкий контекст — например, на всю фразу целиком, а не только на уже произнесённый кусок. Такой второй проход и называют доработкой чернового результата.
Это компромисс между скоростью и точностью: черновой вариант можно показать сразу, а уточнённый результат второго прохода — чуть позже, когда он готов. В одном из архитектурных решений — модели RNN-T с отдельным блоком для второго прохода — такая доработка снизила долю ошибок (WER) на 17–22%, ценой дополнительной задержки на этот второй проход. Другие термины из той же области распознавания речи — в общем разделе словаря терминов: например, акустическая модель отвечает за другую часть системы, превращение звука в звуки речи, а не за доработку уже готовой гипотезы текста.
| Термин | Что значит | Пример |
|---|---|---|
| Двухпроходное распознавание | режим, при котором черновой результат распознавания уточняется вторым проходом обработки | двухпроходное распознавание может повысить точность ценой небольшой задержки |
| Акустическая модель | часть системы распознавания речи, которая сопоставляет звуковой сигнал с фонемами и звуками языка | акустическая модель отвечает за то, как звучат отдельные звуки речи |
| Push-to-talk (зажатие хоткея) | режим записи, при котором звук пишется только пока зажата клавиша или кнопка | push-to-talk — стандартный способ управления записью у десктопных приложений диктовки |
| Edge-вычисления | обработка данных на устройстве пользователя или рядом с ним, а не на удалённом сервере | edge-вычисления снижают задержку, но требуют ресурсов самого устройства |
Пример из диктовки
Двухпроходное распознавание может повысить точность ценой небольшой задержки — так его описывают в исследованиях по автоматическому распознаванию речи. На практике это значит: пользователь произносит фразу, система показывает черновой вариант текста почти мгновенно, а через короткое время черновик заменяется на исправленную версию — уже с учётом того, что было сказано дальше по фразе.
Из-за этой досборки результата двухпроходные системы почти всегда используют отложенный вывод: конечный текст готов не в момент произнесения последнего слова, а чуть позже, когда завершится второй проход. Насколько заметна эта задержка пользователю, зависит от конкретной реализации; универсальная цифра есть только для того исследования, где второй проход снизил WER на 17–22%.
Кому пригодится этот термин
Это архитектурный термин распознавания речи в целом, а не особенность одного конкретного продукта для диктовки. Он полезен тем, кто разбирается в устройстве ASR-систем, а не тем, кто просто пользуется готовым приложением для голосового ввода. Поток (potok.now) — тоже облачный сервис; без интернета он не работает.
Частые вопросы
В статьях и документации систем распознавания речи: это архитектурный термин, который описывает внутреннее устройство ASR-систем, а не отдельную настройку, переключаемую в интерфейсе конкретного приложения.
Что такое двухпроходное распознавание. «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 двухпроходное распознавание» надиктовка идёт в то же поле, где вы обычно печатаете: переключаться между программами не нужно.
Что такое двухпроходное распознавание. «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 двухпроходное распознавание» надиктовка идёт в то же поле, где вы обычно печатаете: переключаться между программами не нужно.
Что такое двухпроходное распознавание. 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 двухпроходное распознавание» надиктовка идёт в то же поле, где вы обычно печатаете: переключаться между программами не нужно.
Что такое двухпроходное распознавание. 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 двухпроходное распознавание» 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»В подписку «Потока» входит и Telegram-бот @potok_now_bot: перешлите ему голосовое или длинную запись встречи — он вернёт текст. Без подписки в боте 60 минут в месяц бесплатно.
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: arxiv.org · support.microsoft.com