Úvod › Lokální rozpoznávání řeči

Základy · Rozpoznávání řeči na Macu

Lokální rozpoznávání řeči: co to technicky znamená

Lokální rozpoznávání řeči znamená, že model běží přímo ve vašem počítači: nahrávka se převede na text tam, kde leží, a nikam se neodesílá. Setkáte se i s označením „rozpoznávání řeči v zařízení“ nebo „offline přepis“ — jde o totéž.

Co to je

Rozpoznávání řeči je automatický převod mluveného slova na psaný text. Pro tuhle stránku není podstatné jestli to funguje, ale kde se to počítá. U cloudové varianty aplikace zaznamená váš hlas, zvukový soubor odešle na server poskytovatele, tam nad ním proběhne výpočet a zpátky se vrátí hotový text. U lokální varianty leží stejný model jako soubor na vašem disku a počítá se v operační paměti a na grafickém čipu vašeho počítače. Cesta dat je krátká: dovnitř mikrofon nebo nahrávka, ven text, mezi tím žádná síť.

Není to marketingový detail, ale rozhodnutí o architektuře, které má velmi konkrétní důsledky — pro důvěrnost, pro použitelnost bez připojení, pro provozní náklady i pro nároky na hardware.

Cloud, nebo lokálně: rozdíl v praxi

Oba přístupy dnes dávají použitelné výsledky. Liší se v tom, co se kromě textu ještě stane.

Poslední řádky jsou poctivá odvrácená strana: lokální rozpoznávání přesouvá výpočet k vám. Dvouhodinový rozhovor váš Mac po dobu přepisu znatelně zaměstná — ozve se ventilátor, baterie ubývá rychleji. Za to ale nevznikne kopie nahrávky na místě, nad kterým nemáte kontrolu.

Proč je k tomu nutný Apple Silicon

Současný model pro rozpoznávání řeči má stovky milionů až jednotky miliard parametrů. Aby přepis běžel rychleji než samotná nahrávka, musí výpočet proběhnout na grafickém čipu a model se přitom musí vejít do paměti, ke které mají procesor i grafika společný přístup.

Přesně tohle umí sdílená paměť Apple Silicon: procesor, grafika a Neural Engine sahají do téže operační paměti, takže se model nemusí neustále kopírovat mezi dvěma oblastmi. Macy s procesorem Intel tuhle vlastnost nemají. Proto je Lesskeys aplikace výhradně pro Apple Silicon: Mac s čipem M1 nebo novějším je podmínka, ne doporučení — na Intelu se aplikace nespustí. Ověříte to v nabídce Apple › O tomto Macu. Operační systém: macOS 13 (Ventura) a novější.

S tím souvisí i velikost modelu. Větší model bývá přesnější, ale zabere víc paměti a počítá déle; menší je svižnější a na krátké diktování bohatě stačí. Model se stahuje jednou, při prvním spuštění, a pak už jen leží na disku — proto potřebujete připojení pouze ke stažení aplikace a modelu, ne k práci s ní.

Jak je to s přesností, zvlášť u češtiny

Vícejazyčný model si se spisovnou a zřetelně vyslovenou češtinou poradí dobře. Slabší je tam, kde bývá slabá i lidská pozornost:

• Kvalita zvuku. Mikrofon blízko mluvčího porazí jakýkoli model. Ozvěna místnosti a konferenční telefon uprostřed stolu stojí víc přesnosti než volba softwaru.
• Překřikování. Když mluví dva lidé současně, jeden z nich dopadne hůř — to platí v každém systému.
• Obecná čeština a nářečí. Přepíše se to, co zazní, takže „dobrej“ nebo „sme“ zůstanou v textu tak, jak jste je vyslovili.
• Odborné výrazy, zkratky a čísla. Paragrafy, částky a datumy se zapisují nekonzistentně, jednou slovy, jindy číslicemi.
• Vlastní jména. Česká příjmení a názvy obcí a firem jsou nejčastější místo k ruční opravě.

Realisticky: strojový přepis je surový podklad. Ušetří většinu psaní, ale nenahradí korekturu — zvlášť tam, kde budete text citovat. Podrobněji se tomu věnuje samostatná stránka o rozpoznávání češtiny. Procenta přesnosti tu záměrně neuvádíme: nemáme je změřená a odhad by byl jen dojem.

Co „neopustí váš Mac“ znamená — a co ne

Lokální zpracování je tvrzení o architektuře: zvukový soubor se nikam nenahrává, není tu server, který by ho přijímal, není tu uživatelský účet a nesbírá se telemetrie. Aplikace funguje i v režimu Letadlo.

Co z toho neplyne: nic o tom, zda smíte konkrétní nahrávku pořídit a dál zpracovávat. To závisí na účelu, na dotčených osobách a na vaší organizaci. Neuvádíme žádnou certifikaci ani stanovisko k předpisům o ochraně osobních údajů; posouzení právního titulu a účelu zpracování patří správci osobních údajů, v praxi vašemu pověřenci pro ochranu osobních údajů nebo právnímu oddělení. Pravidla si můžete ověřit u Úřadu pro ochranu osobních údajů — tím neříkáme, že nás úřad jakkoli schválil, jen kam se dívat. Architektura vám ubere jedinou, zato první otázku: kam nahrávka putuje. Podrobnosti popisuje stránka přepis bez cloudu.

Když nahráváte i jiné lidi

Nahrávat hovor, kterého se sami účastníte, není v Česku trestný čin — § 182 trestního zákoníku míří na odposlech cizí komunikace, které nejste účastníkem. Občanskoprávní stránka je ale přísnější: záznam projevu osobní povahy smíte pořídit a použít jen se souhlasem dotčené osoby podle § 84 až 90 občanského zákoníku, s výjimkou zákonných licencí podle § 88 a § 89 (úřední, vědecká, umělecká a zpravodajská). V zaměstnání navíc platí § 316 zákoníku práce: zaměstnavatel nesmí bez závažného důvodu spočívajícího ve zvláštní povaze své činnosti sledovat zaměstnance ani odposlouchávat a zaznamenávat jejich hovory, a má-li takový důvod, musí je informovat o rozsahu a způsobech kontroly. Prakticky to znamená: na začátku nahlas řekněte, že nahráváte, souhlas si poznamenejte a při nesouhlasu nenahrávejte. Ohledně použitelnosti přepisu jako důkazu nedáváme žádnou záruku a k právní váze nahrávek se nevyjadřujeme. Toto je informace, nikoli právní poradenství; v jiných zemích, včetně Slovenska, platí jiná pravidla.

Pojmy, které znamenají totéž

„Lokální rozpoznávání řeči“, „rozpoznávání řeči v zařízení“, „offline přepis“ i „přepis bez cloudu“ popisují jednu a tutéž věc: výpočet na vlastním počítači. Něco jiného je rozpoznání mluvčích — to odpovídá na otázku, kdo mluvil, ne co bylo řečeno; teprve obojí dohromady dá čitelný zápis. A ještě něčím jiným je hlasové ovládání macOS, které provádí příkazy, místo aby psalo souvislý text.

Lokální rozpoznávání řeči na Macu

Lesskeys je aplikace pro macOS, která pracuje výhradně lokálně: diktování klávesovou zkratkou kdekoli v systému a vedle toho přepis nahrávek, rozhovorů i zvukových a obrazových souborů s automatickým rozdělením na mluvčí. Rozpozná 99 jazyků a jazyk určí sama. Nadiktovaný text se zkopíruje do schránky a vy ho vložíte zkratkou ⌘V — aplikace sama do cizích programů nic nepíše. Stažení je zdarma, plnou verzi odemknete jednorázovým nákupem v aplikaci za 49,99 $ (v českém App Storu uvidíte odpovídající částku v korunách), žádné předplatné. Bezplatná verze zahrnuje 5 minut diktování denně a 5 audio a 5 video přepisů celkem, ne denně; samotné nahrávání a opakovaný přepis už jednou přepsané nahrávky omezené nejsou, takže si můžete zkusit jiný jazyk nebo větší model, aniž byste něco spotřebovali.

Chcete-li vidět celý postup krok za krokem, pokračujte na jak převést řeč na text.

Časté dotazy

Mohlo by se hodit