Как голосовой ввод распознаёт числа, даты и адреса: нормализация на практике

Голосовой ввод сначала распознаёт слова, а числа, даты и адреса в цифры превращает отдельный шаг нормализации: «двести пятьдесят» становится «250», «второе апреля» — датой в цифрах. Длинные номера счетов и диктовку по одной цифре этот шаг разбирает хуже обычной речи. У Потока для такой лексики — собственная модель под русский язык и личный словарь.

Микрофон и модель распознавания отвечают только за первую половину задачи — превратить звук в слова. Отдельный шаг, нормализация текста, решает, что из произнесённого станет цифрой, а что останется словом: «пятое» перед месяцем — дата, «пятое» перед «место» — просто числительное. От качества этого шага зависит, придётся ли потом вручную переправлять номера, суммы и адреса в готовом тексте.

Как голосовой ввод превращает слова в цифры

Распознавание речи и нормализация чисел — это два разных шага. Сначала модель превращает звук в слова: «двести пятьдесят рублей», «второе апреля», «дом двенадцать, квартира сорок восемь». Отдельный модуль разбирает эти слова по правилам — валюта, дата, адрес — и заменяет часть из них на цифры и сокращения там, где это уместно. Модель, которая хорошо распознаёт русскую речь, но не имеет такого модуля, оставляет числа и даты словами целиком, и такой текст потом неудобно быстро читать глазами.

Даты и порядковые числительные

Дата в речи звучит как порядковое числительное перед названием месяца: «двадцать третье», «первое», «пятое». Нормализация должна отличить такую фразу от обычного числительного — «пятое место в рейтинге» цифрой не становится, а «пятое июня» превращается в дату. После нормализации дата обычно выходит в виде цифр через точки — число, месяц, год, — а не словами: так короче и её легче найти в тексте глазами. Ошибка здесь заметна сразу: вместо аккуратной даты в документе остаётся спутанный набор слов или, наоборот, цифра там, где должно было остаться обычное слово.

Номера, счета и адреса

Номер телефона, банковского счёта или почтового индекса диктуют по-разному: кто-то называет его блоками привычных цифр, кто-то — сплошным потоком чисел. Чем длиннее номер, тем выше шанс, что модель на середине потеряет разряд или склеит два числа в одно: длинные последовательности цифр — самое частое место, где после диктовки результат приходится сверять с оригиналом вручную, а не только пробегать текст глазами.

С адресами похожая история: «улица» и «дом» нормализация иногда сокращает до принятых обозначений, а иногда оставляет полным словом — это зависит от словаря конкретной программы, а не от качества распознавания самой речи. У Потока для такой лексики есть собственная модель, обученная под русский язык, и личный словарь: туда можно занести написание своей улицы или номера счёта так, как удобно видеть в готовом тексте. Чем Поток в этом смысле отличается от программ с локальным распознаванием, разобрано в сравнении Потока с GigaType.

Где нормализация работает без проблем, а где числа лучше проверить

Короткие бытовые фразы нормализация разбирает уверенно: сумма покупки, время встречи, простая дата в переписке — эти конструкции встречаются в речи чаще всего, и правила для них отработаны лучше остальных. Здесь достаточно один раз пробежать текст глазами перед отправкой.

Сложнее с диктовкой десятичных дробей: «ноль целых пять десятых» и «пять десятых» на слух почти не отличаются друг от друга, а нормализация может разобрать паузу и порядок слов по-своему. Итоговое число в таких фразах стоит сверять с тем, что предполагалось сказать, особенно в финансовых и технических текстах, где ошибка на один разряд меняет смысл целиком. Подробнее о том, как модель справляется с профессиональными терминами и именами собственными, — в статье о голосовом вводе для русской речи.

Ещё один частый случай — номер квартиры, подъезда и корпуса в одном адресе: несколько коротких чисел подряд нормализация различает хуже, чем одно число в обычном предложении, и здесь тоже разумнее свериться с оригиналом, а не полагаться на автоматическую расстановку.

Голосовых команд для правки распознанного числа большинство программ, включая Поток, не понимает: сказать «поправь на пятьсот» вместо «двести» не получится — придётся исправить цифру руками, как обычную опечатку.

Где Поток не лучший вариант

Поток — облачный сервис: голос уходит на сервер в России, и без подключения к интернету он не работает. Если нормализация нужна там, где сети нет или она нестабильна — стройка, подвал, дальняя поездка, — надёжнее программа с распознаванием прямо на устройстве, например GigaType или Molvi.

Голосовых команд правки числа или даты у Потока нет: если модуль нормализации собрал номер счёта или адрес неправильно, поправить его можно только руками, сказать «отмени» или «исправь на» не получится. Для длинных номеров и таблиц с большим количеством цифр подряд диктовка вообще не лучший инструмент: она надёжнее там, где текста больше, чем цифр, а не наоборот — печать или копирование остаются точнее там, где важен каждый разряд.

Частые вопросы

Программы по теме: сравнение условий

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