Пунктуационная модель — отдельный блок в системе распознавания речи, который расставляет знаки препинания и заглавные буквы поверх уже готового текста, а не во время самого распознавания слов. У «Потока» (potok.now) знаки препинания и заглавные буквы расставляются автоматически, без отдельной команды, а отклик у него — около 0,4 с.
Распознавание речи часто разбито на два шага: сначала модель распознавания (ASR) превращает звук в слова, потом отдельный инструмент расставляет точки, запятые и заглавные буквы. Второй шаг и называется пунктуационной моделью.
Где встречается пунктуационная модель
- В открытых системах распознавания речи, например в фреймворке NeMo от NVIDIA, пунктуационная модель — отдельный блок пайплайна, который получает на вход уже распознанный текст.
- Она работает поверх результата модели распознавания: сначала слова, потом знаки препинания и регистр букв — не одновременно.
- По документации NeMo (NVIDIA), модель предсказывает для каждого слова, нужен ли после него знак препинания, и нужно ли следующее слово писать с заглавной буквы.
| Термин | Что значит | Пример |
|---|---|---|
| Пунктуационная модель | отдельная модель или блок системы, отвечающий именно за расстановку знаков препинания | пунктуационная модель работает поверх уже распознанного текста |
| Многоканальная запись | запись звука несколькими микрофонами одновременно, например для разделения говорящих | многоканальная запись помогает точнее разделить голоса участников встречи |
| CTC (Connectionist Temporal Classification) | метод обучения ASR-моделей, который связывает звуковую последовательность с текстом без точной разметки по времени | CTC — один из способов обучения end-to-end моделей распознавания |
| Направленный микрофон | микрофон, лучше улавливающий звук с определённого направления, чем с остальных | направленный микрофон гарнитуры меньше захватывает посторонние звуки сбоку |
Почему это важно при выборе программы для диктовки
Когда пунктуация — отдельный блок, а не часть одной общей модели распознавания, у разработчика есть выбор: дорабатывать один блок, не трогая распознавание слов, или наоборот. Для человека, который выбирает программу для диктовки, это означает, что точность распознавания слов — то, что принято измерять метрикой WER (Word Error Rate), — и качество расстановки знаков по устройству пайплайна могут быть двумя разными показателями, а не одним общим процентом. У «Потока» знаки препинания и заглавные буквы расставляются автоматически, без единой голосовой команды: диктовать «точка» или «запятая» не нужно.
Где «Поток» тут ни при чём
«Поток» — облачный сервис: распознавание идёт на серверах в России, без интернета он не работает. Известен только результат: знаки препинания и заглавные буквы «Поток» расставляет сам, а голосовых команд для форматирования текста у него нет — диктовать, что и куда проставить, не нужно.
Частые вопросы
Нет. Модель распознавания превращает звук в слова, а пунктуационная модель — отдельный блок, который добавляет знаки препинания и заглавные буквы поверх уже готового текста.
Скачать «Поток»
Работает по одной клавише в любой программе. 14 дней полного доступа, потом Free 2500 слов в неделю или Pro 690 ₽/мес (499 ₽/мес за год). «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: docs.nvidia.com · support.microsoft.com