Диалект — региональная разновидность языка со своими особенностями произношения и лексики. В голосовом вводе это значимо, потому что модели распознавания речи обучают в основном на литературной норме, а не на диалектной. Модель, обученная на литературной норме, может хуже справляться с сильным диалектом — точность распознавания в этом случае снижается.
«Диалект» в разговоре о распознавании речи — не то же самое, что «акцент», хотя термины часто путают. Разберём, что именно означает диалект, при чём тут литературная норма языка и почему это отражается на точности голосового ввода.
Что такое диалект: определение
Диалект — по определению из английской Википедии, разновидность языка, на которой говорит определённая группа людей; региональный диалект — языковая разновидность, характерная для конкретной географической местности. Это разновидность внутри одного языка, а не отдельный язык: у диалекта есть свои особенности произношения и лексики — то есть не только акцент, но и часть отдельных слов и словосочетаний, характерных именно для этой языковой группы.
Для голосового ввода это не отвлечённый лингвистический вопрос: модели распознавания речи обучают на массиве записей, а в этом массиве обычно преобладает литературная норма языка, а не диалектная речь. Категория термина в словаре — speech-tech: он касается того, как именно система переводит звук в текст, а не устройства программы или её интерфейса. Чем сильнее диалект отличается от этой литературной нормы непривычными словами и произношением, тем заметнее это может сказаться на точности распознавания. Этим диалект отличается от акцента: акцент — это в основном особенности произношения, а диалект — ещё и часть словарного запаса, которая может быть незнакома системе.
| Термин | Что значит | Пример |
|---|---|---|
| Диалект | региональная разновидность языка с особенностями произношения и лексики, которая может влиять на точность распознавания | модель, обученная на литературной норме, может хуже справляться с сильным диалектом |
| Акцент и распознавание | влияние особенностей произношения говорящего на точность распознавания речи | сильный региональный акцент может повышать число ошибок ASR |
| Нормализация чисел | преобразование произнесённых числительных в цифровую запись при распознавании речи; в отрасли этот шаг постобработки называют обратной текстовой нормализацией (ITN), а «нормализацией текста» (TN) — обратное направление, перевод цифр в слова для синтеза речи | «двадцать пятое сентября» становится «25 сентября» |
| Wake word (слово пробуждения) | специальное слово, распознаваемое устройством постоянно в фоне, чтобы включить голосовой ассистент | «окей, Google» — типичный пример wake word |
Пример из диктовки
Модель, обученная на литературной норме, может хуже справляться с сильным диалектом. На практике это означает, что диктовка с выраженными диалектными словами и произношением может распознаваться менее точно, чем речь, близкая к литературной норме.
Похожая логика касается и других терминов из той же области: показатель WER (Word Error Rate) как раз и служит для того, чтобы измерять итоговую точность распознавания в подобных случаях. Подробнее о самой технологии перевода речи в текст — на странице про ASR (автоматическое распознавание речи), а полный список понятий собран в словаре терминов распознавания речи.
Где здесь ограничения «Потока»
У «Потока» распознавание облачное: сервис работает на серверах в России и без интернета не работает.
Частые вопросы
Не совсем: по определению, диалект — это разновидность языка с особенностями произношения и лексики, то есть отдельных слов, а не только манеры говорить. Для распознавания речи важно и то, и другое: непривычные слова снижают точность так же, как непривычное произношение.
Если хотите сравнить сами
Возьмите одну свою задачу и надиктуйте её в «Потоке». Первые 14 дней — без ограничений и без карты. «Поток» — облачный сервис: распознавание идёт на серверах в России, без интернета он не работает.
Скачать «Поток»Одна подписка — два инструмента: диктовка в любой программе на компьютере и @potok_now_bot в Telegram, который расшифровывает голосовые, аудио и видео.
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: en.wikipedia.org · support.microsoft.com