Что такое ASR-модель

ASR-модель — это обученная нейросеть, которая напрямую превращает звук речи в текст: она и есть распознающая часть любой программы голосового ввода. От её качества зависит, насколько точно диктовка запишет сказанное. «Поток» (potok.now) использует собственную ASR-модель, обученную под русскую речь: на нашем бенчмарке GolosTest её WER — 2,1%.

В двух словах: ASR-модель — обученная нейросеть, которая напрямую распознаёт речь, то есть превращает звук в текст. Разбираемся, где термин встречается и почему его качество решает, насколько удобно пользоваться голосовым вводом.

Где обычно упоминают ASR-модель

Термин технический, но всплывает везде, где о голосовом вводе говорят предметно, а не рекламно:

• в описаниях программ распознавания речи — когда поясняют, что именно превращает звук в текст;
• в сравнениях программ друг с другом — какая модель лежит в основе и под какой язык она обучена;
• в материалах о распознавании речи — там разбирают устройство самой модели отдельно от интерфейса программы: например, что такие модели обычно строят на нейросетях;
• в объяснениях, почему один сервис распознаёт речь лучше другого, — разница часто именно в модели, а не в остальных функциях программы.

Сама технология превращения голоса в текст называется по-другому — автоматическое распознавание речи; полный список терминов — в словаре распознавания речи.

На что влияет качество ASR-модели

Качество диктовки напрямую зависит от качества ASR-модели: именно она превращает звук в текст, а не остальной интерфейс программы. Два приложения с одинаковыми кнопками и настройками могут распознавать речь по-разному, если внутри у них разные модели.

Поэтому при выборе программы голосового ввода модель часто упоминают отдельно от самой программы: насколько она новая и под какой язык обучена. Программа может годами не менять интерфейс, но заменить модель внутри — и распознавание станет заметно лучше или хуже.

У «Потока» (potok.now) — собственная модель, обученная под русскую речь, включая термины: это и есть то, что стоит за словом «распознаёт» в описании сервиса.

Где «Поток» тут ни при чём

«Поток» (potok.now) распознаёт речь собственной моделью, обученной под русскую речь, включая термины. Это облачный сервис: расчёт идёт на серверах в России, и без интернета он не работает.

Частые вопросы

Встроенная диктовка и «Поток»

Первоисточники: en.wikipedia.org · support.microsoft.com