Распознавание речи

Речь в текст без диктовки

Мы распознаём речь из готовой записи, а не с микрофона в реальном времени — это разные задачи.

Голосовые помощники распознают речь на лету и по одному говорящему. Нам приходит готовая запись, где людей может быть несколько, они перебивают друг друга, а микрофон стоит далеко.

Поэтому распознавание речи здесь идёт вместе с разметкой времени и, по заказу, с определением говорящих. На выходе не поток слов, а разбитый на реплики текст, по которому можно искать и который читается как расшифровка.

Русский и английский распознаются лучше всего. Язык определяется сам; если на записи говорят с сильным акцентом или переходят с одного языка на другой, его можно указать вручную.

От чего зависит результат

Чем ближе микрофон к говорящему, тем разборчивее текст. Телефон посреди стола на восьмерых даёт заметно худший результат, чем он же в полуметре от человека.

Хуже всего распознаются имена собственные, названия и узкие термины. Обычная речь идёт хорошо, поэтому вычитка обычно сводится к сверке этих четырёх категорий.

Наложение голосов портит и распознавание, и разделение по говорящим: чистого куска голоса, по которому можно отличить одного от другого, просто не остаётся.

Что обычно спрашивают