Финализация фразы — это момент, когда система распознавания речи считает конкретную фразу завершённой и больше не меняет уже показанный текст. До финализации промежуточный текст ещё может измениться: система подбирает более вероятный вариант по мере того, как получает больше звука. Термин встречается в описании потокового (streaming) распознавания речи.
Пока идёт голосовой ввод, текст на экране иногда меняется на глазах — слово подменяется другим, а потом фраза «застывает». Момент, когда система перестаёт её трогать, и называют финализацией фразы.
Где встречается финализация фразы
Термин используется в описании потокового распознавания речи — систем, которые обрабатывают звук по мере того, как человек говорит.
- В документации Google Cloud Speech-to-Text: сервис возвращает промежуточные результаты по ходу распознавания, и они печатаются с переводом строки в конце, чтобы следующий результат мог перезаписать предыдущий — до тех пор, пока результат не станет финальным.
- Подробнее о самом распознавании речи — в статье про ASR (Automatic Speech Recognition).
- Термин соседствует в описаниях распознавания речи с метрикой WER (word error rate).
| Термин | Что значит | Пример |
|---|---|---|
| Финализация фразы | момент, когда система считает распознавание конкретной фразы завершённым и больше не меняет текст | до финализации промежуточный текст ещё может измениться |
| Квантование модели | уменьшение точности числовых вычислений модели для ускорения работы и снижения потребления ресурсов | квантование модели ускоряет её работу ценой небольшой потери точности |
| ASR-модель | обученная нейросеть, которая непосредственно выполняет распознавание речи | качество диктовки напрямую зависит от качества ASR-модели |
| Направленный микрофон | микрофон, лучше улавливающий звук с определённого направления, чем с остальных | направленный микрофон гарнитуры меньше захватывает посторонние звуки сбоку |
Почему текст на экране может «дёргаться»
Пока фраза не финализирована, показанный текст — это промежуточный результат, и он ещё может измениться. По документации Google Cloud Speech-to-Text, промежуточный результат печатается с переводом строки в конце, чтобы следующий результат мог его перезаписать, — и так до тех пор, пока результат не станет финальным.
Для финального результата документация описывает другое поведение: печатается перенос строки, который сохраняет уже финализированную часть распознавания. Разница именно в этом — промежуточный результат рассчитан на перезапись, финальный результат по определению термина больше не меняется.
До финализации промежуточный текст ещё может измениться — этим термин и описан в источнике: разработчик может ожидать замены текста фразы вплоть до момента, когда придёт финальный результат для этой же фразы.
Где Поток тут ни при чём
«Поток» — облачный сервис, распознавание на серверах в России, без интернета не работает. Одна подписка «Потока» — это приложение для диктовки на компьютере и Telegram-бот @potok_now_bot для записей и голосовых. Финализация фразы описывает внутреннее устройство потоковых систем распознавания вообще, а не конкретно то, как работает «Поток».
Частые вопросы
По определению термина — нет, после финализации система считает распознавание фразы завершённым и больше не меняет показанный текст. Меняться может только текст следующей фразы, ещё не финализированной.
Обычно это тайм-аут тишины у движка распознавания (запись останавливается после паузы), обрыв сетевого соединения у облачных сервисов или просадка уровня сигнала микрофона на части фразы. Проверить стоит прежде всего интернет-соединение и уровень входного сигнала микрофона.
Нет: по справке Apple диктовать можно текст любой длины без ограничения по времени. Диктовка останавливается, когда вы нажимаете Esc, клавишу микрофона или сочетание для Диктовки, а сама — если 30 секунд не слышно речи.
Что такое финализация фразы. «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 финализация фразы» надиктовка идёт в то же поле, где вы обычно печатаете: переключаться между программами не нужно.
Что такое финализация фразы. «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 финализация фразы» надиктовка идёт в то же поле, где вы обычно печатаете: переключаться между программами не нужно.
Что такое финализация фразы. 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 финализация фразы» надиктовка идёт в то же поле, где вы обычно печатаете: переключаться между программами не нужно.
Как начать
«Поток» есть для Windows, macOS и Linux. Две недели всё открыто бесплатно, дальше — 2500 слов в неделю без оплаты. «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: docs.cloud.google.com · support.microsoft.com