Что такое модель капитализации

Модель капитализации — это отдельная модель или блок системы распознавания речи, который решает, какие буквы в тексте должны быть заглавными, работая уже поверх распознанных слов. Часто она работает в связке с пунктуационной моделью как единый постобработчик. У «Потока» (potok.now) заглавные буквы и знаки препинания расставляются автоматически, без отдельной команды.

Распознанный текст без заглавных букв читать неудобно — «привет как дела» вместо «Привет, как дела?». За то, где именно нужна заглавная буква, в системе распознавания речи может отвечать отдельный компонент. Разбираемся, что это за модель и при чём тут «Поток».

Как устроена модель капитализации

Модель капитализации — отдельная модель, которая отвечает именно за простановку заглавных букв в уже распознанном тексте: сама она не превращает звук в слова, а работает поверх результата распознавания речи (ASR). Такую модель обучают совместно с пунктуационной: два классификатора токенов тренируют одновременно поверх одной и той же предобученной языковой модели, например BERT.

Модель капитализации и модель пунктуации часто работают как единый постобработчик: один проход по тексту решает и где нужна заглавная буква, и где нужны знаки препинания, а не по отдельности с нуля для каждой задачи. Подробнее о втором участнике этой пары — в статье о пунктуационной модели; другие термины из этой области — в словаре распознавания речи.

Как это выглядит в тексте после диктовки

Пример прямо из определения: модель капитализации и модель пунктуации часто работают как единый постобработчик — значит, слова из распознавания речи сначала идут без регистра и без знаков, а уже потом получают заглавные буквы и пунктуацию. Если бы этого шага не было, надиктованный текст выглядел бы одной сплошной строчкой строчных букв. Отдельно от устройства самой модели: у «Потока» (potok.now) заглавные буквы и знаки препинания тоже расставляются автоматически, без отдельной команды — диктовать «с большой буквы» не нужно.

Что из этого термина видно в «Потоке», а что нет

У «Потока» (potok.now) — облачный сервис: распознавание идёт на серверах в России, без интернета не работает. Заглавные буквы и знаки препинания он расставляет автоматически — диктовать «с большой буквы» или «точка» не нужно, голосовых команд для форматирования текста у него нет.

Частые вопросы

Встроенная диктовка и «Поток»

Первоисточники: docs.nvidia.com · support.microsoft.com