Трансформер — это архитектура нейросети, которая широко используется в современных моделях распознавания речи. Многие современные ASR-модели построены именно на архитектуре трансформера. Это внутреннее устройство модели, а не отдельная программа: как именно она реализована в конкретном сервисе диктовки, например «Потоке» (potok.now), обычно не публикуется.
Трансформер звучит как название робота, но в контексте ASR это не устройство и не бренд, а архитектура нейросети — способ, которым модель обрабатывает входные данные, включая звук.
Где встречается термин «трансформер»
Термин встречается там, где говорят об устройстве современных систем машинного обучения:
- в статьях и документации о моделях обработки текста, изображений и звука: трансформер преобразует входные данные в последовательность числовых представлений, которые называют токенами;
- в описаниях современных ASR-моделей — многие современные модели распознавания речи построены на архитектуре трансформера;
- в сравнениях архитектур нейросетей, где трансформер противопоставляют более ранним подходам к обработке последовательностей данных;
- в технических материалах разработчиков голосовых сервисов, когда они рассказывают об устройстве своей модели распознавания.
| Термин | Что значит | Пример |
|---|---|---|
| Трансформер (в ASR) | архитектура нейросети, широко используемая в современных моделях распознавания речи | многие современные ASR-модели построены на архитектуре трансформера |
| Пакетное распознавание | обработка уже целиком записанного аудиофайла, а не потока в реальном времени | пакетное распознавание применяют для расшифровки готовых записей |
| Спикер-зависимое распознавание | система, настроенная или обученная под голос конкретного человека для повышения точности | пример спикер-зависимой системы — Audrey (1952), созданная Bell Labs для распознавания цифр, произнесённых одним конкретным диктором |
| STT (Speech-to-Text) | другое название для распознавания речи — преобразование звучащей речи в текст | STT и ASR в быту часто используют как синонимы |
Почему упоминание трансформера ничего не решает при выборе
Слово «трансформер» в описании программы диктовки или голосового ассистента само по себе мало что говорит о том, насколько хорошо система распознаёт речь: эта архитектура широко используется в современных моделях распознавания речи, а значит, встречается у многих продуктов, а не у одного конкретного.
Смысл термина в другом: он объясняет, к какому семейству технологий относится модель, а не гарантирует результат. Одна и та же архитектура может быть обучена на разных данных, для разных языков и с разным качеством — именно от этого зависит, насколько точно программа распознаёт конкретную речь, а не от названия архитектуры самой по себе. Поэтому в описании программы стоит смотреть не столько на упоминание трансформера, сколько на то, какие языки заявлены и есть ли проверяемая метрика точности вроде WER — другие термины распознавания речи собраны в общем словаре сайта.
Где Поток тут ни при чём
Какую архитектуру нейросети использует модель «Потока» — трансформер или что-то другое, — не публикуется; известно только, что распознавание облачное, на собственной модели, обученной под русскую речь. «Поток» — облачный сервис, распознавание идёт на серверах в России, без интернета не работает.
Частые вопросы
Трансформер — это архитектура нейросети, широко используемая в современных моделях распознавания речи. Она преобразует входные данные, включая звук, в последовательность числовых представлений, с которыми дальше работает модель.
Не все, но многие: многие современные модели распознавания речи построены на архитектуре трансформера.
Что такое трансформер (в ASR). «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 трансформер (в ASR)» надиктовка идёт в то же поле, где вы обычно печатаете: переключаться между программами не нужно.
Что такое трансформер (в ASR). «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 трансформер (в ASR)» надиктовка идёт в то же поле, где вы обычно печатаете: переключаться между программами не нужно.
Что такое трансформер (в ASR). 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 трансформер (в ASR)» надиктовка идёт в то же поле, где вы обычно печатаете: переключаться между программами не нужно.
Что такое трансформер (в ASR). 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 трансформер (в ASR)» 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»Диктуете в приложении, а записи и голосовые расшифровывает @potok_now_bot в Telegram. 60 минут в месяц — бесплатно, подписка «Потока» снимает лимит в боте и в приложении.
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