Speech to text на русском: как это работает и какие есть программы

Speech to text на русском — это распознавание русской речи в текст, и от программы к программе оно работает по-разному: часть моделей обучена сразу на множестве языков, часть — прицельно под один язык. Поток (potok.now) использует собственную модель под русскую речь, вставляет текст сразу в активное поле без отдельного экспорта, а на бесплатном тарифе даёт 2500 слов в неделю.

Speech to text на русском встречается в двух разных контекстах: как общее название технологии распознавания речи и как поисковый запрос человека, который выбирает конкретную программу. За фразой обычно стоит одно из трёх: диктовка прямо в поле ввода, транскрибация уже готовой записи или голосовое управление командами. Сайты программ формулируют это расплывчато, и с первого клика не всегда понятно, что перед вами. Разница между подходами определяет, какая программа распознавания речи в текст вообще годится под задачу, и с неё стоит начать, а не с сравнения цифр точности на сайтах.

Как устроено распознавание речи на русском

Механика одна и та же почти у всех: микрофон записывает звук, нейросеть превращает его в текст, программа вставляет результат туда, где стоит курсор, или сохраняет отдельным файлом. Разница — в том, где эта нейросеть считает и под какой язык она обучена в первую очередь.

Часть программ работает в облаке: звук уходит на сервер, там распознаётся, и обратно приходит текст. SpeakFlow и Диктуй — облачные сервисы с оплатой в рублях напрямую, хотя страна их дата-центра на сайтах явно не раскрыта. Диктуй при этом заявляет точность 95–98% на чистой русской речи, это цифра самого сервиса, проверить её независимо нельзя, но источник у неё конкретный. Talkpad и Lispr тоже облачные, только устроены иначе: Talkpad — мультиязычный автоопределитель языка со ста с лишним языками и без отдельной модели под русский, а Lispr распознаёт через компанию Groq на серверах в США.

Другая часть работает локально: звук не покидает компьютер вовсе. Voisty использует модели вроде Whisper Large V3 Turbo или NVIDIA Parakeet, WhispeRu распознаёт офлайн без выхода в сеть, а GigaType построен на GigaAM — нейросети Сбера, обученной специально под русский язык. Molvi тоже локальный, с поддержкой русского и английского и автоматическим определением того, какой из них звучит.

У Потока подход третий: облако, но модель собственная и обучена именно под русскую речь, а не под десятки языков сразу, с прицелом на имена, термины и русско-английские фразы вроде «отправь драфт в CRM». Отклик: около 0,4 секунды, а личный словарь и история диктовок привязаны к аккаунту, не к одному компьютеру. Мультиязычная модель, которую держат в облаке ради поддержки сразу многих языков, это инженерный компромисс, не показатель качества сам по себе: она может справляться с русским прекрасно или посредственно, и без честного теста на реальных фразах узнать это нельзя.

Где диктовка экономит время, а где мешает

Голосом получается печатать быстрее, чем руками: около 900 знаков в минуту против примерно 200 при печати: разница особенно заметна на длинных письмах, служебных записках и черновиках, которые всё равно потом редактируются. Если типичная задача — наговорить абзац и поправить пару слов, диктовка почти всегда выигрывает по времени, не только по ощущению удобства.

Там, где текст короткий и точный (однословный ответ в чат, номер телефона, адрес письма), выигрыш не так заметен: пока откроете микрофон и дождётесь распознавания, можно успеть напечатать то же самое руками. Голос выигрывает на объёме, а не на скорости реакции для одной фразы.

Отдельная история — шумное место. Открытый опенспейс, кафе, машина с работающим двигателем: фоновый шум мешает распознаванию у любой программы, и здесь помогает не выбор конкретного сервиса, а физически более близкий к губам микрофон, например в наушниках, не встроенный в ноутбук.

Ещё один сценарий — переключение между несколькими окнами за раз: письмо в одном приложении, чат в другом, задача в таск-трекере. Диктовка вставляет текст туда, где стоит курсор, в любом из них, без отдельного шага копирования из своего окна, это экономит секунды на каждом переключении, а за рабочий день из десятков таких переключений набегает заметное время, даже если каждое по отдельности кажется мелочью.

Работа с профессиональными терминами и именами клиентов — то место, где разница между программами особенно ощутима на практике. Личный словарь, который запоминает такие слова, экономит время на исправлениях: без него приходится либо каждый раз произносить термин по буквам, либо потом вручную чистить текст от неверных распознаваний. Не у всех программ, о которых шла речь выше, такая функция вообще есть: стоит уточнять у конкретного сервиса, а не считать её стандартной.

Когда лучше печатать или взять другой инструмент

Если нужно расшифровать уже существующую запись (встречу, интервью, голосовое сообщение из мессенджера), speech to text в смысле диктовки не подходит вовсе: Поток распознаёт только то, что вы произносите прямо сейчас, а не файл с диска. Для транскрибации готовых записей нужен отдельный инструмент, который принимает аудиофайл на вход.

Поток — облачный сервис, распознавание идёт на серверах в России, и без интернета он не работает. Тем, кому нужна работа в самолёте, в помещении без сети или на объекте с запретом на облачную обработку, облачный вариант в принципе не подойдёт: годится только программа с распознаванием прямо на устройстве, например из тех локальных решений, что разобраны выше.

У Потока нет открытого API для разработчиков: это готовое приложение для конечного пользователя, не конструктор для встраивания в своё программное обеспечение. Мобильных версий для Android и iPhone тоже нет: клиенты только для Windows и macOS, а часть запросов «speech to text русский» на самом деле ищут именно для телефона: голосовые заметки на ходу, где компьютера рядом нет. Более базовый вопрос, есть ли на компьютере голосовой ввод в принципе, без установки чего-либо, разобран отдельно.

Частые вопросы

Программы по теме: сравнение условий

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