Спикер-независимое распознавание — это система, которая работает одинаково для любого голоса без предварительной настройки под конкретного человека: не нужно «обучать» её заранее записями своей речи. Большинство современных систем автоматического распознавания речи (ASR) спикер-независимые по умолчанию — это касается и облачных сервисов вроде «Потока» (potok.now).
Одни системы распознавания речи нужно сначала «обучить» под конкретного человека, другие работают сразу с любым голосом. Разберёмся, к какому из этих двух видов относится термин и чем он отличается от соседнего.
Чем спикер-независимое распознавание отличается от похожих понятий
Прямая противоположность термину — спикер-зависимое распознавание: система, которую перед началом работы настраивают под голос одного конкретного человека, записывая заранее образцы его речи. Спикер-независимая система устроена иначе: она рассчитана на любого говорящего сразу, без такого этапа настройки, и именно поэтому такую задачу источник называет более сложной технически.
Не стоит путать это со свойствами самой записи или процесса распознавания. Технология, которая вообще превращает голос в текст, — это ASR, автоматическое распознавание речи: именно внутри такой системы и решается, будет она спикер-зависимой или спикер-независимой. А то, насколько точно она в итоге распознаёт слова, измеряют отдельными метриками — долей ошибочных слов (WER) или ошибочных символов (CER); спикер-независимость сама по себе таким числом не выражается.
Как проверяют, что система спикер-независимая
Спикер-независимость — не число, а свойство архитектуры: одну и ту же необученную модель проверяют на записях разных людей, разными голосами и манерой речи, не подстраивая её отдельно под каждого. Первой системой, которая показала такое распознавание слитной речи с большим словарём, источник называет Sphinx-II — она выиграла оценочные испытания DARPA.
Большинство современных систем ASR спикер-независимые по умолчанию.
| Термин | Что значит | Пример |
|---|---|---|
| Спикер-независимое распознавание | система, работающая одинаково для любого голоса без предварительной настройки под конкретного человека | большинство современных ASR-систем спикер-независимые по умолчанию |
| RTF (Real-Time Factor) | отношение времени обработки к длительности самой записи — показатель скорости работы ASR-системы | RTF меньше 1 означает, что система распознаёт быстрее, чем длится сама речь |
| Edge-вычисления | обработка данных на устройстве пользователя или рядом с ним, а не на удалённом сервере | edge-вычисления снижают задержку, но требуют ресурсов самого устройства |
| Финализация фразы | момент, когда система считает распознавание конкретной фразы завершённым и больше не меняет текст | до финализации промежуточный текст ещё может измениться |
Что из этого у Потока не заявлено
Спикер-зависимая у «Потока» модель или спикер-независимая — отдельно об этом «Поток» не говорит: у «Потока» опубликована только общая метрика точности — WER 2,1% на нашем бенчмарке GolosTest, а сам сервис — облачный, распознавание идёт на серверах в России, без интернета не работает. Одна подписка даёт и приложение «Поток» для диктовки, и Telegram-бот @potok_now_bot для записей и голосовых.
Частые вопросы
Нет. По определению спикер-независимая система работает одинаково для любого голоса без предварительной настройки под конкретного человека — записывать заранее образцы своей речи для неё не требуется.
Нет: отдельно об этом «Поток» не говорит, у «Потока» опубликована только метрика точности — WER 2,1% на нашем бенчмарке GolosTest.
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»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: en.wikipedia.org · support.microsoft.com