Etusivu › Paikallinen puheentunnistus

Perusteet · Puheentunnistus Macilla

Paikallinen puheentunnistus: mitä se käytännössä tarkoittaa

Paikallinen puheentunnistus tarkoittaa, että puheentunnistusmalli ajetaan omalla koneellasi: ääni muuttuu tekstiksi Macin sisällä eikä lähde laitteelta minnekään. Samasta asiasta käytetään myös nimityksiä on-device-puheentunnistus ja offline-litterointi.

Mitä paikallinen puheentunnistus tarkoittaa

Puheentunnistus tarkoittaa puheen automaattista muuttamista kirjoitetuksi tekstiksi. Tällä sivulla ratkaisevaa ei ole se, toimiiko se, vaan se, missä laskenta tehdään. Pilvipalvelussa sovellus nauhoittaa puheesi, lähettää äänitiedoston palveluntarjoajan palvelimelle, malli laskee tuloksen siellä ja valmis teksti palautetaan sinulle. Paikallisessa ratkaisussa täsmälleen samanlainen malli on tiedostona oman koneesi levyllä, ja laskenta tapahtuu koneesi muistissa ja grafiikkasuorittimella. Reitti on lyhyt: ääni sisään, teksti ulos, eikä välissä ole verkkoa.

Tunnistus tehdään käytännössä kahdessa osassa. Akustinen malli katsoo äänisignaalia lyhyinä paloina ja päättelee, mitä äännettä kussakin kohdassa todennäköisimmin sanotaan. Kielimalli painottaa sitä, mitkä sanajonot ovat kielessä ylipäätään todennäköisiä, ja korjaa siten äänteellisesti epäselviä kohtia. Nykyisissä malleissa nämä on yhdistetty samaan verkkoon, mutta jako selittää hyvin, miksi tunnistin joskus kuulee oikein mutta kirjoittaa väärän sanan: äänteet osuivat, mutta konteksti veti toiseen suuntaan.

Malli on tavallinen tiedosto, jonka koko liikkuu satojen megatavujen ja parin gigatavun välillä. Se ladataan kerran, minkä jälkeen se on levyllä eikä sitä tarvitse hakea uudelleen.

Puheentunnistus, litterointi ja sanelu eivät ole synonyymejä

Suomenkielisessä puheessa nämä menevät jatkuvasti sekaisin, ja se hankaloittaa myös tiedon hakemista. Erot ovat kuitenkin selvät:

• Puheentunnistus on tekniikka, joka muuttaa äänen sanoiksi.
• Litterointi on lopputuote: valmis teksti tallenteesta. Arkikielessä sama työ on nauhojen purkamista tai haastattelun purkamista.
• Sanelu on käyttötapa, jossa puhut suoraan koneelle kirjoittamisen sijaan. Suomessa sanelu on tuttua erityisesti terveydenhuollossa ja asianajossa, joten käsitettä ei tarvitse erikseen selittää.
• Puhujien erottelu vastaa kysymykseen, kuka puhui milloinkin. Se on eri asia kuin puheen sisällön tunnistaminen, ja vasta yhdessä ne tuottavat luettavan keskustelutekstin.

Näiden kanssa sekoitetaan usein myös macOS:n oma puheohjaus, joka suorittaa komentoja sen sijaan että tuottaisi jatkuvaa tekstiä. Se on kolmas, oma asiansa.

Paikallinen vai pilvi: ero käytännössä

Molemmat tuottavat nykyään käyttökelpoista tekstiä. Ero on siinä, mitä tekstin lisäksi tapahtuu.

Kaksi viimeistä riviä ovat rehellinen kääntöpuoli: paikallinen käsittely siirtää laskentakuorman sinulle. Kahden tunnin haastattelu työllistää Macia tuntuvasti sen ajan, kun sitä litteroidaan, ja kone lämpenee. Vastineeksi tallenteesta ei synny kopiota paikkaan, johon sinulla ei ole näkyvyyttä.

Miksi tähän tarvitaan Apple Silicon

Nykyisessä puheentunnistusmallissa on satojen miljoonien ja muutaman miljardin välillä parametreja. Jotta litterointi etenisi järkevää vauhtia, laskenta kannattaa tehdä grafiikkasuorittimella, ja mallin on mahduttava muistiin, johon sekä suoritin että grafiikkasuoritin pääsevät käsiksi ilman jatkuvaa kopiointia. Apple Siliconin yhtenäinen muisti tekee juuri tämän: suoritin ja grafiikkasuoritin jakavat saman muistin, ja siksi malli pyörii tavallisessa kannettavassa järkevää vauhtia.

Käytännön vaatimus on silti tekniikkaa yksinkertaisempi: Lesskeys on rakennettu yksinomaan Apple Siliconille, joten Intel-Macilla se ei käynnisty lainkaan. Apple Silicon (M1 tai uudempi) on siis vaatimus, ei suositus, ja käyttöjärjestelmän on oltava macOS 13 (Ventura) tai uudempi.

Tästä seuraa myös se, miksi tämä työ tehtiin ennen palvelimella: kannettavassa ei yksinkertaisesti ollut riittävää laskentatehoa. Nyt sama työ mahtuu tavalliseen kannettavaan, eikä pilvi ole enää ainoa vaihtoehto.

Kuinka tarkkaa paikallinen puheentunnistus on

Hiljaisessa tilassa nauhoitettu yhden puhujan selkeä puhe tunnistuu hyvin. Virheet eivät yleensä johdu mallista vaan äänestä:

• Nauhoituksen laatu. Lähellä puhujaa oleva mikrofoni voittaa minkä tahansa mallin. Kaikuisa neuvotteluhuone ja pöydän toisessa päässä oleva kone maksavat enemmän tarkkuutta kuin ohjelman valinta.
• Päällekkäinen puhe. Kun kaksi ihmistä puhuu yhtä aikaa, ainakin toinen tunnistuu heikosti. Tämä koskee kaikkia järjestelmiä.
• Erisnimet, lyhenteet ja alan termit. Yritysten, paikkojen ja järjestelmien nimet kirjoittuvat usein äänteellisesti järkevästi mutta väärin.
• Murre ja vahva aksentti. Yleiskieli tunnistuu luotettavammin kuin vahva puhekieli tai vieraskielinen aksentti.

Emme julkaise tarkkuuslukua, koska meillä ei ole mittausta, jonka voisi rehellisesti yleistää sinun tallenteisiisi. Realistinen odotus on tämä: koneellinen litterointi on raakaversio. Se poistaa suurimman osan näppäilytyöstä mutta ei korvaa lukukierrosta — varsinkaan silloin, kun tekstistä siteerataan myöhemmin.

Entä suomen kieli

Suomi on agglutinoiva kieli: yksi sana kantaa sen, mihin englannissa tarvitaan useita, ja yhdyssanat kirjoitetaan yhteen. Molemmat näkyvät tuloksessa, ja tyypillisimmät korjattavat kohdat ovat väärä sijamuoto sekä erilleen kirjoitettu yhdyssana. Kokonaisajatus tulee yleensä oikein. Käsittelemme aiheen kunnolla omalla sivullaan: toimiiko puheentunnistus suomeksi.

Mitä ei lähde koneelta oikeasti tarkoittaa — ja mitä se ei tarkoita

Paikallinen käsittely on väite arkkitehtuurista: äänitiedostoa ei ladata mihinkään, vastaanottavaa palvelinpalvelua ei ole, eikä synny kolmatta osapuolta, joka käsittelisi aineistoa puolestasi. Käyttäjätiliä ei tarvita, ja koko ketju toimii lentokonetilassa.

Tästä ei seuraa kannanottoa siihen, onko oma käsittelysi lainmukaista. Se, saatko nauhoittaa, säilyttää ja analysoida tietyn keskustelun, riippuu tarkoituksesta, osapuolista ja organisaatiostasi. Emme esitä mitään yhteensopivuus- tai sertifiointiväitettä: arviointi kuuluu oman organisaatiosi tietosuojavastaavalle tai lakiasiaintoimelle, ja valvova viranomainen on tietosuojavaltuutetun toimisto. Arkkitehtuuri poistaa vain yhden kysymyksen, joka muuten esitetään ensimmäisenä — minne tallenne menee. Aihe on avattu tarkemmin sivulla litterointi ilman pilveä.

Jos nauhoitat muita ihmisiä, muista lupa. Suomessa sellaisen keskustelun nauhoittaminen, johon itse osallistut, ei lähtökohtaisesti ole rikoslain 24 luvun 5 §:n salakuuntelua, koska säännös koskee keskustelua, jota ei ole tarkoitettu tallentajan tietoon. Se ei silti tarkoita, että tallenteen saisi jakaa eteenpäin: levittäminen voi täyttää yksityiselämää loukkaavan tiedon levittämisen tunnusmerkistön (RL 24:8), ja tallenne on aina henkilötietoa. Kysy lupa etukäteen ja kirjaa se muistiin. Tämä on yleistä tietoa, ei oikeudellinen neuvo.

Paikallinen puheentunnistus Macilla

Lesskeys on macOS-sovellus, joka toimii kokonaan paikallisesti: järjestelmänlaajuinen sanelu pikanäppäimellä sekä palaverien, haastattelujen ja ääni- ja videotiedostojen litterointi puhujittain. Kieliä tunnistetaan 99, ja kieli tunnistetaan automaattisesti. Saneltu teksti kopioituu leikepöydälle ja sinä liität sen ⌘V:llä (Applen suomenkielisessä valikossa komento on Sijoita) — sovellus ei kirjoita itse mitään toisiin ohjelmiin.

Lataus on ilmainen, ja Pro-ominaisuudet avataan kertaostolla 49,99 $ (ei tilausmaksua; App Store näyttää summan euroina). Ilmaisversiossa on rajat: sanelua 5 minuuttia päivässä sekä yhteensä 5 äänen ja 5 videon litterointia — nämä ovat kokonaismääriä, eivät päivittäisiä. Nauhoittaminen itsessään on rajatonta, eikä jo litteroidun tallenteen litterointi uudelleen kuluta kiintiötä. Vaatimukset: macOS 13 (Ventura) tai uudempi ja Apple Silicon (M1 tai uudempi); Intel-Maceja ei tueta.

Jos haluat nähdä koko kulun vaihe vaiheelta, jatka sivulle näin puhe muuttuu tekstiksi.

Usein kysyttyä

Aiheeseen liittyvää