Многоканальная запись — это запись звука несколькими микрофонами одновременно, например для разделения говорящих. По документации Google Cloud Speech-to-Text, аудио обычно содержит отдельный канал для каждого говорящего на записи: например, звонок двух человек может состоять из двух каналов, где голос каждого записан отдельно. Многоканальная запись помогает точнее разделить голоса участников встречи.
Когда запись ведут сразу несколько микрофонов, а не один, каждый из них может писать свой собственный канал звука — это и называют многоканальной записью.
Что такое многоканальная запись простыми словами
Многоканальная запись — это запись звука несколькими микрофонами одновременно, например для разделения говорящих. Каждый микрофон пишет собственный, отдельный канал, а не общий смешанный звук всех голосов сразу.
По документации Google Cloud Speech-to-Text, аудио обычно содержит отдельный канал для каждого говорящего на записи: например, звонок двух человек может состоять из двух каналов, где голос каждого записан отдельно. Термин относится к области серверных технологий распознавания речи (speech-tech).
С этим термином соседствуют распознавание речи (ASR) и метрики вроде WER (word error rate) — они тоже описывают, как устроены и как оцениваются системы распознавания речи.
| Термин | Что значит | Пример |
|---|---|---|
| Многоканальная запись | запись звука несколькими микрофонами одновременно, например для разделения говорящих | многоканальная запись помогает точнее разделить голоса участников встречи |
| ASR-модель | обученная нейросеть, которая непосредственно выполняет распознавание речи | качество диктовки напрямую зависит от качества ASR-модели |
| Задержка первого слова (first-word latency) | время от начала речи до появления самого первого распознанного слова | низкая задержка первого слова делает стриминговую диктовку отзывчивой |
| CTC (Connectionist Temporal Classification) | метод обучения ASR-моделей, который связывает звуковую последовательность с текстом без точной разметки по времени | CTC — один из способов обучения end-to-end моделей распознавания |
Пример из практики
Пример того, зачем нужна многоканальная запись: многоканальная запись помогает точнее разделить голоса участников встречи.
По документации Google Cloud Speech-to-Text, именно так часто устроена запись телефонных звонков между двумя людьми: два канала, в каждом — голос только одного собеседника. Это тот же пример, которым документация иллюстрирует определение термина.
Смысл примера в том, что разделение голосов происходит не после записи, а уже на этапе того, как звук вообще записывается: голос каждого участника изначально попадает в свой отдельный канал, а не в общий смешанный поток звука.
| Сервис | Платформы | Бесплатно | Цена | Оплата из РФ | Где распознаётся речь |
|---|---|---|---|---|---|
| Поток | Windows, macOS, Linux | Free: 2500 слов в неделю; первые 14 дней — полный доступ без карты | Pro 690 ₽/мес, 499 ₽/мес при оплате за год | российские карты, рубли | облако, серверы в России; нужен интернет |
| Google Cloud Speech-to-Text | API (Google Cloud) | API v1: первые 60 минут в месяц бесплатно; плюс общая программа Google Cloud (300 USD кредитов новым клиентам) | $0.016/minute (Стандартное распознавание, API v2, первые 500 тыс. минут в месяц (дальше 0.01, 0.008, 0.004)); $0.016/minute (API v1, стандартные модели, после 60 бесплатных минут); $0.003/minute (Стандартное динамическое пакетное распознавание, первый уровень) | не раскрыто | Облако Google, регионы выбираются (eu, asia-southeast1 и др.) |
Как это касается Потока, а где нет
«Поток» — облачный сервис, распознавание идёт на серверах в России; без интернета он не работает. Одна подписка «Потока» — это приложение для диктовки на компьютере и Telegram-бот @potok_now_bot для записей и голосовых. «Поток» принимает речь с микрофона, который выбирается в его настройках, — многоканальная запись описывает совсем другую задачу, разделение голосов нескольких говорящих.
Частые вопросы
Отдельный канал для каждого говорящего облегчает разделение голосов: по документации Google Cloud Speech-to-Text, аудио обычно содержит по каналу на каждого участника записи, и многоканальная запись помогает точнее разделить голоса участников встречи.
Что такое многоканальная запись. «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 многоканальная запись» надиктовка идёт в то же поле, где вы обычно печатаете: переключаться между программами не нужно.
Что такое многоканальная запись. «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 многоканальная запись» надиктовка идёт в то же поле, где вы обычно печатаете: переключаться между программами не нужно.
Что такое многоканальная запись. 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 многоканальная запись» надиктовка идёт в то же поле, где вы обычно печатаете: переключаться между программами не нужно.
Что такое многоканальная запись. 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 многоканальная запись» надиктовка идёт в то же поле, где вы обычно печатаете: переключаться между программами не нужно.
Попробовать на своих текстах
Скачайте «Поток» для Windows, macOS или Linux: первые 14 дней — полный доступ без карты. Потом бесплатно 2500 слов в неделю или Pro за 690 ₽ в месяц. «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.
Первоисточники: cloud.google.com · support.microsoft.com