Голосовой ввод текста — это способ печатать голосом вместо клавиатуры: человек говорит, а программа распознаёт речь и переводит звук в буквы на экране. В основе лежит распознавание речи — процесс преобразования звукового сигнала в текстовое представление. Такой ввод есть и в Windows, и в macOS, а отдельным приложением его делает «Поток» (potok.now) — для Windows, macOS и Linux.
Голосовой ввод текста — это когда вместо того, чтобы печатать на клавиатуре, человек произносит фразу вслух, а программа сама переводит звук в буквы. За этим стоит распознавание речи — процесс преобразования звукового сигнала в текстовое представление.
Где голосовой ввод текста используется
Голосовой ввод встречается везде, где удобнее сказать, чем напечатать: в голосовых ассистентах, где команду нужно понять сразу, в приложениях для диктовки, в субтитрах к видео, которые собираются на лету, и в кнопке микрофона на экранной клавиатуре смартфона. Смысл везде один — распознавание речи лежит в основе любой голосовой диктовки, то есть звук сначала превращается в текстовое представление, а уже потом этот текст попадает в поле ввода, документ или чат.
Свои встроенные варианты голосового ввода есть и у операционных систем: в Windows он включается сочетанием Win+H, а в macOS есть системная диктовка. Кроме встроенных средств ОС, голосовой ввод делают и отдельные приложения — например, «Поток» (potok.now) переводит голос в текст на компьютере, на Windows, macOS и Linux, и запускается зажатием хоткея (по умолчанию Ctrl+Space).
Как работает голосовой ввод текста
Голосовой ввод текста работает через распознавание речи — это автоматический процесс преобразования речевого сигнала в цифровую информацию, то есть в текст. Рядом с этим термином в словаре есть страница о WER.
Рядом с этим термином в словаре стоят и другие технические понятия из той же области: CER, зажатие хоткея (push-to-talk) и квантование модели — их определения и примеры собраны в таблице ниже и в словаре терминов распознавания речи.
| Термин | Что значит | Пример |
|---|---|---|
| Распознавание речи | процесс преобразования звукового сигнала речи в текстовое представление | распознавание речи лежит в основе любой голосовой диктовки |
| CER (Character Error Rate) | метрика точности распознавания на уровне символов, а не целых слов | CER особенно полезен для мультиязычных наборов данных и языков, где WER плохо применим из-за разнообразия способов деления текста на слова |
| Push-to-talk (зажатие хоткея) | режим записи, при котором звук пишется только пока зажата клавиша или кнопка | push-to-talk — стандартный способ управления записью у десктопных приложений диктовки |
| Квантование модели | уменьшение точности числовых вычислений модели для ускорения работы и снижения потребления ресурсов | квантование модели ускоряет её работу ценой небольшой потери точности |
Ограничения «Потока» в этой части
«Поток» — облачный сервис: распознавание идёт на серверах в России, без интернета оно не работает.
Частые вопросы
Нет: распознавание речи лежит в основе любой голосовой диктовки, поэтому текст появляется по мере того, как человек говорит, без набора на клавиатуре.
Попробовать на своих текстах
Скачайте «Поток» для Windows, macOS или Linux: первые 14 дней — полный доступ без карты. Потом бесплатно 2500 слов в неделю или Pro за 690 ₽ в месяц. «Поток» — облачный сервис: распознавание идёт на серверах в России, без интернета он не работает.
Скачать «Поток»Диктуете в приложении, а записи и голосовые расшифровывает @potok_now_bot в Telegram. 60 минут в месяц — бесплатно, подписка «Потока» снимает лимит в боте и в приложении.
Встроенная диктовка и «Поток»
| Средство | Где работает | Русский язык | Где распознаётся речь |
|---|---|---|---|
| Голосовой ввод Windows (Win+H) | Windows 10 и 11 | только в Windows 11 | облако Microsoft, без интернета не работает |
| Диктовка macOS | macOS | есть | на устройстве или на серверах Apple |
| Поток | Windows, macOS, Linux | основной язык | облако, серверы в России, без интернета не работает |
Первоисточники: ru.wikipedia.org · support.microsoft.com