Задержка ответа в голосовом вводе: сколько пользователь готов ждать

Пауза между отпусканием клавиши и появлением текста воспринимается нормально примерно до секунды: дальше кажется, что программа зависла, а не думает. У Потока (potok.now) отклик — около 0,4 секунды. У программ, где распознавание идёт на самом устройстве, как Voisty или Molvi, эта пауза не зависит от скорости интернета — у облачных сервисов к ней добавляется время на передачу звука до сервера и обратно.

Голосовой ввод отвечает не мгновенно: между тем, как человек отпустил клавишу, и тем, как текст появился в поле, всегда проходит доля секунды на запись, распознавание и вставку. Вопрос не в том, есть ли задержка — она есть у любой программы, — а в том, сколько времени пользователь готов терпеть, прежде чем решит, что программа зависла или сломалась.

Из чего складывается задержка ответа

Путь звука от голоса до текста на экране состоит из нескольких шагов, и каждый добавляет своё время. Пока клавиша зажата, программа просто записывает звук — эта часть занимает ровно столько, сколько человек говорит, и заметной паузой не считается. Настоящая задержка начинается после отпускания клавиши: записанный звук нужно превратить в текст, а текст — вставить в активное поле.

У программ с облачным распознаванием звук сначала уходит на сервер компании по интернету, там его обрабатывает модель распознавания, а готовый текст возвращается обратно на устройство. В эту схему добавляется сетевая часть — передача звука туда и текста обратно, — и её длительность зависит от скорости интернета в моменте, а не только от программы. У Потока весь этот путь занимает около 0,4 секунды: запись остаётся на устройстве только до отпускания клавиши, а дальше звук уходит на серверы в России, где стоит собственная модель, обученная под русскую речь — подробнее о том, как это устроено, в материале про голосовой ввод под русскую речь.

У программ с распознаванием прямо на устройстве, таких как Voisty, WhispeRu, GigaType и Molvi, сетевой части нет вовсе: звук не покидает компьютер, а модель распознавания считает его локально. Задержка здесь зависит от мощности самого устройства, а не от интернета, — Molvi, например, работает быстрее на видеокарте NVIDIA, а без неё переключается на более быструю, но менее точную модель для процессора. Есть и обратный случай — Lispr тоже работает по сети, но не через собственные серверы: звук уходит в облако, а распознаёт его Groq, Inc. в США, то есть к обычной сетевой задержке добавляется ещё и географическое расстояние до дата-центра.

Где лишняя секунда ожидания заметна, а где нет

Заметнее всего задержка там, где человек ждёт короткий ответ и сразу переходит к следующему действию: быстрая реплика в мессенджере, короткая команда, однострочный комментарий. Если после отпускания клавиши проходит секунда-другая тишины, кажется, что программа не расслышала или зависла, и рука сама тянется повторить фразу или начать печатать вручную — хотя текст может появиться мгновением позже.

При диктовке длинного текста — письма, заметки, абзаца документа — та же самая пауза почти не ощущается, потому что человек и так делает короткую паузу между мыслями, формулируя следующую фразу. Здесь задержка в доли секунды теряется на фоне естественных пауз речи, и внимание переключается на смысл текста, а не на ожидание отклика.

Отдельный сценарий — нестабильная сеть: кафе с перегруженным Wi-Fi, мобильный интернет в дороге, офис с общим каналом на весь этаж. Для облачных программ это самый заметный источник задержки, потому что именно передача звука по сети занимает больше всего времени в такие моменты, а не сама модель распознавания. Программы с локальным распознаванием на устройстве от качества сети не зависят вовсе, и для человека, который часто работает вне надёжного интернета, это ощутимая разница в предсказуемости отклика.

Когда задержка Потока критична, а когда нет

Поток — облачный сервис: распознавание идёт на серверах в России, и без подключения к интернету он не работает вовсе — это не «медленнее», а полное отсутствие результата, пока связь не появится снова. Для человека с устойчивым интернетом дома или в офисе разница между 0,4 секунды и мгновенным откликом локальной программы обычно не критична и теряется в общем ритме диктовки.

Там, где сети нет или она часто пропадает — самолёт, метро, удалённый объект без покрытия, — облачная задержка превращается в полную недоступность, и здесь подходят только программы с распознаванием на устройстве вроде Molvi, Voisty, WhispeRu или GigaType: они не станут работать быстрее из-за хорошего интернета, но и не остановятся без него. Тем, кто диктует по многу раз в минуту в условиях слабой или нестабильной сети, стоит присматриваться именно к таким программам, а не к облачным сервисам вроде Потока.

Частые вопросы

Программы по теме: сравнение условий

Первоисточники: speakflow.ru · speakflow.ru · speakflow.ru · blog.speakflow.ru