LesskeysΓλωσσάριο φωνής σε κείμενο
Το λογισμικό ομιλίας χρησιμοποιεί πολλούς ειδικούς όρους και μερικοί από αυτούς σημαίνουν διαφορετικά πράγματα σε κάθε εταιρεία. Αυτή η σελίδα εξηγεί τι σημαίνει ο καθένας εδώ.
Λέξεις που χρησιμοποιούμε σε αυτόν τον ιστότοπο με συγκεκριμένο ή ασυνήθιστο τρόπο, και τι σημαίνουν όταν τις χρησιμοποιούμε εμείς.
A
- ASR (αυτόματη αναγνώριση ομιλίας)
Η γενική ονομασία του λογισμικού που μετατρέπει την ομιλία σε κείμενο. Το Whisper είναι ένα τέτοιο σύστημα. Η «φωνή σε κείμενο» σημαίνει το ίδιο πράγμα στην καθημερινή χρήση.
D
- Υπαγόρευση
- Το να μιλάτε αντί να πληκτρολογείτε, ώστε οι λέξεις να εμφανίζονται στην εφαρμογή που ήδη χρησιμοποιείτε. Γίνεται σε πραγματικό χρόνο και είναι σύντομη. Αντιπαραβάλλεται με την απομαγνητοφώνηση, που μετατρέπει εκ των υστέρων μια υπάρχουσα ηχογράφηση σε κείμενο.
H
- Συντόμευση
Ένας συνδυασμός πλήκτρων που λειτουργεί παντού και όχι μόνο μέσα σε μία εφαρμογή. Το Lesskeys χρησιμοποιεί έναν για να ξεκινά και να σταματά την υπαγόρευση, ώστε να μη χρειάζεται ποτέ να αλλάξετε παράθυρο για να μιλήσετε.
O
- Στη συσκευή
Η δουλειά γίνεται στον υπολογιστή που έχετε μπροστά σας και όχι στον διακομιστή μιας εταιρείας. Για το πού γίνεται η επεξεργασία, γι’ αυτό και μπορεί να ελεγχθεί: κλείστε το δίκτυο και συνεχίζει να λειτουργεί.Lesskeys αυτό σημαίνει ότι η ηχογράφηση, το μοντέλο ομιλίας και το τελικό κείμενο μένουν όλα στον υπολογιστή σας. Είναι δήλωση για το
S
- Διαχωρισμός ομιλητών
- Ο εντοπισμός του ποιος μίλησε και πότε, σε μια ηχογράφηση με περισσότερες από μία φωνές. Είναι ξεχωριστή εργασία από την απομαγνητοφώνηση: η απομαγνητοφώνηση απαντά στο τι ειπώθηκε, ο διαχωρισμός ομιλητών στο ποιος το είπε. Τα δύο συνδυάζονται ώστε να προκύψει κείμενο με όνομα δίπλα σε κάθε γραμμή.
- Ήχος συστήματος
- Ο ήχος που αναπαράγει ο υπολογιστής σας, σε αντιδιαστολή με τον ήχο που ακούει το μικρόφωνό σας. Η εγγραφή του ήχου συστήματος μαζί με το μικρόφωνο καταγράφει και τις δύο πλευρές μιας κλήσης, χωρίς να συμμετέχει κανείς στη σύσκεψη.
T
- Απομαγνητοφώνηση
- Η μετατροπή σε γραπτό κείμενο μιας ηχογράφησης που υπάρχει ήδη, όπως μιας κλήσης, μιας συνέντευξης ή ενός βίντεο. Σε αντίθεση με την υπαγόρευση, γίνεται μετά το γεγονός και συνήθως εμπλέκει περισσότερους από έναν ομιλητές.
V
- Αποτύπωμα φωνής
Μια αποθηκευμένη περίληψη του πώς ακούγεται μια συγκεκριμένη φωνή, που χρησιμεύει για να αναγνωρίζεται το ίδιο πρόσωπο σε διαφορετικές ηχογραφήσεις. Το Lesskeys κρατά τα αποτυπώματα φωνής στον υπολογιστή σας και πουθενά αλλού.
W
- WER (ποσοστό σφαλμάτων λέξεων)
- Ο τρόπος μέτρησης της ακρίβειας. Μετρά τις λέξεις που έκανε λάθος ένα σύστημα, δηλαδή αντικαταστάσεις, παραλείψεις ή προσθήκες, ως ποσοστό των λέξεων που ειπώθηκαν πραγματικά. Όσο χαμηλότερο, τόσο καλύτερο, και ένα WER 2,5% σημαίνει ότι περίπου μία λέξη στις σαράντα είναι λάθος.
Whisper Μια οικογένεια μοντέλων αναγνώρισης ομιλίας ανοιχτού κώδικα που μπορούν να τρέξουν σε συνηθισμένο υλικό, όπως ένα benchmark.Mac ή ένας υπολογιστής μεWindows . Διατίθεται σε διάφορα μεγέθη· το μεγαλύτερο δεν είναι αυτόματα καλύτερο, κάτι που μέτρησε το δικό μας
Σύντομες απαντήσεις
Τι σημαίνει στην πράξη «στη συσκευή»;
Ότι η επεξεργασία γίνεται στον δικό σας υπολογιστή και όχι στον διακομιστή μιας εταιρείας. Το πρακτικό τεστ είναι απλό: κλείστε το δίκτυο. Αν συνεχίζει να λειτουργεί, τότε γίνεται στη συσκευή.
Είναι η υπαγόρευση το ίδιο με την απομαγνητοφώνηση;
Όχι. Η υπαγόρευση γίνεται σε πραγματικό χρόνο: μιλάτε και οι λέξεις εμφανίζονται εκεί που πληκτρολογείτε. Η απομαγνητοφώνηση μετατρέπει σε κείμενο μια ηχογράφηση που υπάρχει ήδη, συνήθως με περισσότερους από έναν ομιλητές.
Ποιο ποσοστό σφαλμάτων λέξεων θεωρείται καλό;
Εξαρτάται από τον ήχο, γι’ αυτό και ένας μεμονωμένος αριθμός παραπλανά. Σε καθαρό λόγο, τα καλύτερα σημερινά μοντέλα βρίσκονται γύρω στο 2–3%, δηλαδή περίπου μία λέξη στις σαράντα είναι λάθος. Ο δύσκολος ήχος, με επικαλυπτόμενες φωνές, έντονες προφορές ή κακή ακουστική του χώρου, είναι πολύ πιο απαιτητικός για κάθε σύστημα.