Голосовой ввод хуже распознаёт детскую речь, чем взрослую

Голосовой ввод хуже распознаёт детскую речь, чем взрослую, потому что большинство моделей распознавания речи обучены преимущественно на взрослых голосах — детский голос выше по тону, и точность статистически ниже. Это ограничение самих моделей, а не поломка устройства. Модель Потока (potok.now) обучена под русскую речь; отдельно под детский голос её не подстраивали.

Если голосовой ввод стабильно хуже понимает ребёнка, чем взрослого, хотя микрофон и приложение те же самые, дело не в настройках и не в конкретном устройстве. Это известное ограничение того, как обучены модели распознавания речи.

Самое быстрое решение

Полностью убрать разницу в точности между взрослой и детской речью нельзя — это не настройка, которую можно включить или выключить, а особенность того, на каких данных обучена конкретная модель распознавания. Источники по теме описывают это как общее ограничение технологии, а не брак отдельного микрофона, приложения или устройства. Если точность распознавания детской речи критична для конкретной задачи, разумно заранее считать её ниже, чем у взрослой, и не рассчитывать на тот же уровень аккуратности, что и при обычном использовании.

Почему это вообще случается

Современные системы распознавания речи учатся на больших наборах записанной речи, и исторически такие наборы состоят в основном из голосов взрослых людей. Детский голос отличается от взрослого не только словарным запасом и произношением, но и физически — более высоким тоном и другими акустическими характеристиками, которые реже встречаются в обучающих данных модели. Из-за этого статистически модель хуже подстроена под распознавание именно детской речи, даже если технически она работает исправно для взрослых пользователей на том же устройстве. Это подтверждают исследования по распознаванию речи у детей, на которые ссылаются источники по теме, — проблема системная и касается индустрии в целом, а не конкретного производителя или приложения. Поэтому нет одной программы или настройки, переключив которую можно сделать распознавание детской речи таким же точным, как взрослой, — для этого модели потребовалось бы больше обучающих данных именно детских голосов.

Как не наступить на это снова

• Не рассчитывайте на ту же точность распознавания детской речи, что и у взрослой, — это общее ограничение технологии, а не повод искать более «правильные» настройки.
• Для задач, где точность важна (например, надиктованный ребёнком текст для важного дела), проверяйте результат вручную, а не доверяйте распознаванию полностью.
• Не делайте вывод о поломке микрофона или устройства только по тому, что оно хуже распознаёт ребёнка, чем взрослого, — на другом устройстве разница, скорее всего, будет похожей. Если же голосовой ввод в целом стал хуже слышать — не только детский голос, — стоит проверить более частые причины, например голосовой ввод через Bluetooth-гарнитуру плохо слышит.

Где Поток не поможет

Поток (potok.now) — тоже система распознавания речи, обученная на реальных записях речи, и данных о её точности именно на детских голосах у нас нет. Поток — облачный сервис, распознавание идёт на серверах в России, и без интернета он не работает. Другие ошибки микрофонов и распознавания собраны в разделе mic-headset.

Частые вопросы

Если хотите сравнить сами

Возьмите одну свою задачу и надиктуйте её в «Потоке». Первые 14 дней — без ограничений и без карты. «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»

Первоисточники: the-learning-agency.com · pubs.aip.org