Голосовой ввод в шумном open space офисе: как это работает на практике

В шумном open space голосовой ввод технически работает так же, как в тихой комнате: решает не программа, а расстояние микрофона до рта. У Потока (potok.now) и похожих программ распознаётся вся фраза целиком вместе с фоновым шумом, а отклик у Потока — около 0,4 секунды. Соседи по столу при этом слышат сказанное так же, как обычную реплику.

Голосовой ввод в open space — это диктовка текста в общем помещении, где рядом сидят коллеги и работает фоновый шум разговоров, звонков и оргтехники. Программа получает тот же звук, что и всегда, но вместе с речью в микрофон попадает шум зала, а сказанное вслух слышат соседи по столу. Техническая часть при этом устроена так же, как в тихом кабинете, а разница проявляется в двух местах — на входе у микрофона и в том, кто ещё слышит фразу.

Как устроен голосовой ввод

Голосовой ввод в шумном офисе работает по той же схеме, что и в тихой комнате: микрофон записывает звук, модуль распознавания превращает волну в слова, отдельный механизм расставляет знаки препинания, и готовый текст появляется там, где стоит курсор. Отличие open space не в этой схеме, а в том, что на вход вместе с речью попадает всё, что происходит вокруг, — соседний разговор, звонок за перегородкой, шум принтера.

Что решает микрофон

Встроенный микрофон ноутбука снимает звук с расстояния в полметра и захватывает помещение целиком: голос и фоновый шум приходят почти на одной громкости, и распознаванию сложнее их разделить. Гарнитура или петличный микрофон у самого рта меняют это соотношение: источник речи оказывается в паре сантиметров, а шум зала — на прежнем расстоянии, поэтому доля полезного сигнала растёт без каких-либо настроек программы. Разница между этими двумя вариантами на одной и той же фразе в open space обычно заметнее, чем разница между разными программами голосового ввода.

Где происходит распознавание

Как и в тихом кабинете, часть программ распознаёт речь в облаке, часть — прямо на устройстве, офлайн. Из перечисленных здесь вариантов офлайн, без отправки звука на сервер, работают GigaType, Molvi, WhispeRu и Voisty; SpeakFlow, Диктуй и Talkpad, по данным их сайтов, распознают в облаке, Lispr — тоже в облаке, через Groq в США. Для шумного помещения способ обработки сам по себе не главный фактор: и облачная, и локальная модель получают на входе уже смешанный сигнал речи и фонового шума с микрофона, а разница начинается уже после записи. Чем именно офлайн-вариант вроде GigaType отличается от облачного Потока по остальным параметрам, разобрано в статье Поток или GigaType.

Кто ещё слышит диктовку

У открытой планировки есть второй эффект, к микрофону не относящийся: то, что вы говорите вслух, слышит сосед по столу. Техническая часть системы на это никак не реагирует — распознаётся любая произнесённая фраза независимо от того, кто рядом. Это не свойство конкретной программы, а особенность самого способа ввода текста голосом в общем помещении.

Таблица ниже сводит перечисленные программы по тому, где именно распознаётся звук и на каких платформах они работают.

Где диктовка экономит время, а где мешает

Диктовка в open space окупается там же, где и в тихом кабинете: на длинных связных текстах — письмах, комментариях к задачам, черновике документа. Наговорить абзац выходит быстрее, чем напечатать: у Потока (potok.now) голосом выходит около 900 знаков в минуту против примерно 200 при печати, и эта разница не зависит от того, шумно вокруг или нет, — говорить всё равно быстрее, чем печатать по одному слову.

Помогает то же самое, что решает проблему шума на входе: гарнитура или наушники с микрофоном у рта, свободная переговорная комната или телефонная будка. Часть людей переходит на тихую речь вплотную к микрофону — распознаванию это обычно не мешает, если микрофон рядом со ртом, а не встроен в ноутбук на расстоянии.

Мешает диктовка там, где вокруг открытая рассадка без будок и гарнитуры под рукой нет: тогда приходится либо говорить в полный голос при всех, либо откладывать голосовой ввод на другое время. То же самое — с содержанием текста: пароль, персональные данные клиента, резкий комментарий о коллеге лучше напечатать, а не произнести вслух за соседним столом. Короткие фразы и правка одного слова тоже быстрее делаются руками — голос выигрывает на объёме связного текста, а не на точечных изменениях.

Рабочая привычка получается такая: держать гарнитуру под рукой для длинных текстов и переключаться на клавиатуру, когда рядом людно или текст короткий и не должен звучать вслух. Какие ещё программы стоит сравнить для своих условий, собрано в разделе программы голосового ввода.

Когда лучше печатать или взять другой инструмент

Если в опенспейсе действительно нельзя произносить рабочий текст вслух — например, речь идёт о финансовых или медицинских данных клиентов, — дело не в микрофоне и не в программе: любая диктовка голосом всё равно останется слышимой репликой, и решать это стоит переговоркой или перепланировкой места, а не выбором инструмента.

Поток — облачный сервис, распознавание идёт на серверах в России, без интернета он не работает. Если офис отрезан от сети или компания запрещает отправлять звук за пределы своего периметра, подойдёт вариант с серверами внутри компании, у Потока это отдельное предложение по запросу, либо офлайн- программа вроде GigaType или Molvi, которая обрабатывает звук прямо на устройстве.

Тому, кто диктует в опенспейсе целый рабочий день без перерыва, бесплатных 2500 слов в неделю хватает на немногое — здесь уже нужен Pro без ограничения по словам.

Частые вопросы

Программы по теме: сравнение условий

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