Főoldal › Beszéd szöveggé alakítása

Útmutató · a diktálás folyamata

Beszéd szöveggé alakítása a Mac-en: így megy végig

Ez az oldal azt a folyamatot járja végig, ahogy az élőben elmondott beszédből leírt szöveg lesz a Mac-en: lenyomod a billentyűparancsot, beszélsz, a felismerés a gépeden fut le, a kész szöveg a vágólapra kerül, és onnan ⌘V-vel illeszted be oda, ahová szánod.

Mit tárgyal ez az oldal, és mit nem

Két, magyarul is jól elkülönülő igény van. Az egyik a beszéd szöveggé alakítása: most beszélsz, és most kell belőle szöveg — ez a diktálás, erről szól ez az oldal. A másik a hangfájl szöveggé alakítása: már van egy felvételed, és abból kell leirat — az külön útvonal, és saját oldala van. A két folyamat más lépésekből áll, ezért érdemes szétválasztani őket.

Ami mindkettőben közös: a felismerés a saját Mac-eden fut le, a hang nem kerül fel sehová, és nincs hozzá fiók.

A folyamat öt lépésben

• 1. Lenyomod a billentyűparancsot. Alapértelmezésben az ⌥Space kombinációt tartod nyomva. A program a menüsorban ül, tehát nem kell előtte ablakot váltanod: ott indul, ahol éppen dolgozol.
• 2. Beszélsz. Amíg a gomb lenyomva van, a mikrofon rögzít. A képernyőn kis jelző mutatja, hogy fut a felvétel, és hogy a mikrofon lát-e jelet.
• 3. Elengeded, és a helyi modell felismer. Ekkor indul a felismerés — a Mac grafikus egységén, a lemezen tárolt modellel. Nincs feltöltés, nincs várakozás egy szerverre, nincs percalapú számlálás.
• 4. A kész szöveg a vágólapra kerül. Egy rövid visszajelzést látsz arról, mi lett a felismerés eredménye.
• 5. Beilleszted ⌘V-vel. Oda, ahol a kurzor áll: levélbe, jegyzetbe, dokumentumba, chatbe, szerkesztőbe, jegyrendszerbe.

Miért a vágólap, és miért nem gépel be a program

Az utolsó lépést a program szándékosan nem veszi el tőled. Nem gépel be semmit magától idegen alkalmazásba, és nem szimulál billentyűleütéseket a háttérben. Ennek két következménye van, és mindkettő a te javadra dolgozik.

Az egyik: látod a szöveget, mielőtt bárhová kerülne. Ha félrement egy szó, vagy rossz ablak van előtérben, nem kerül be semmi rossz helyre. A másik: nem kell olyan rendszerszintű jogosultságot adnod, amivel egy program a többi alkalmazásba írhat. A vágólap egy egyszerű, kiszámítható, mindenhol működő csatorna — cserébe egy billentyűkombinációt neked kell megnyomnod.

Ha ezt egyszer megszokod, a diktálás ritmusa ennyi lesz: nyomva tart, beszél, elenged, ⌘V.

Automatikus nyelvfelismerés 99 nyelv közül

Nem kell nyelvet állítanod felvétel előtt: a felismerés 99 nyelvet fed le, és magától megállapítja, min beszélsz. A gyakorlatban ez felvételenként dől el, nem mondatonként — érdemes tudni, mit jelent ez.

Ha magyarul beszélsz, és közben angol szakszavakat használsz („deployolni kell”, „a sprint végén”), az nem gond: a felvétel egésze magyar marad, a szakszavak beleíródnak. Ha viszont tartósan két nyelven dolgozol — mondjuk egy megbeszélés fele angol —, akkor vegyes lesz az eredmény, és egy rövid vagy halk megszólalás akár rossz nyelvre is eshet. Ilyenkor érdemes a beállításokban leszűkíteni a nyelvlistát arra a két-három nyelvre, amit valóban használsz: attól kezdve a modell nem téved el a maradék kilencvenhatban.

Hol tudod használni

Mivel a szöveg a vágólapon landol, gyakorlatilag bárhol, ahová be tudsz illeszteni:

• levelezésben — a hosszabb válaszok mennek a leggyorsabban;
• jegyzetelő és írásprogramban, dokumentumszerkesztőben;
• chatben és üzenetküldőben;
• fejlesztői eszközökben: commit-üzenet, hibajegy, kódkomment;
• ügyviteli és ügyfélkezelő felületeken, ahol a szabad szöveges mezőket a legidegesítőbb kitölteni;
• űrlapokban a böngészőben.

És működik hálózat nélkül is: repülőn, vonaton, alagsorban, ügyfélnél. A felismerésnek nincs mit lekérdeznie.

Mitől lesz jó az eredmény

A leggyakoribb hibaforrás nem a modell, hanem a hang. Néhány dolog, ami sokat számít:

• Közeli mikrofon. A gép beépített mikrofonja karnyújtásnyiról rendben van; két méterről, visszhangos szobában már nem. Egy egyszerű fülhallgatós mikrofon többet javít, mint bármilyen beállítás.
• Normál tempó. Nem kell tagoltan beszélni, de a hadarás mérhetően ront.
• Egy összefüggő gondolat egyszerre. Rövidebb blokkokban diktálva könnyebb javítani, mint egy háromperces monológot utólag átfésülni.
• Csendes háttér. A háttérzene és a másik beszélgetés a szobában bekerülhet a szövegbe.

Magyar nyelven érdemes külön számítani két dologra. A ragozott tulajdonnevek (cég-, település- és személynevek) gyakran hangzásra hihető, de hibás alakban jönnek ki, a szaknyelvi kifejezések és mozaikszavak pedig javítást kívánnak. A központozás értelmezés kérdése, nem hallott jel — a vessző helyét szinte mindig igazítani kell. Százalékos pontossági számot nem közlünk, mert nincs mögötte saját, magyar nyelvű mérésünk; azt viszont felelősen mondhatjuk, hogy a gépi szöveg a gépelés nagy részét megspórolja, az átolvasást nem.

Ami a diktáláson túl van

Ugyanez a helyi felismerés dolgozik akkor is, ha nem diktálsz, hanem felveszel valamit: egy megbeszélést, egy interjút, egy ülést. Ilyenkor a program a mikrofon mellett a Mac rendszerhangját is rögzítheti, az átirat pedig beszélők szerint tagolva, időbélyegekkel készül el, és bekerül egy kereshető, helyi archívumba. Ha másokat is felveszel, előbb kérd a hozzájárulásukat: a Ptk. 2:48. §-a szerint hangfelvétel készítéséhez és felhasználásához az érintett hozzájárulása kell, tehát a titkos rögzítés akkor is személyiségi jogot sért, ha te magad részt veszel a beszélgetésben. Ez tájékoztatás, nem jogi tanácsadás; semmilyen jogszabályi megfelelést nem állítunk, és nem vállalunk garanciát arra, hogy a felvétel vagy az átirat bizonyítékként felhasználható vagy elfogadható lesz.

Követelmények, ár, ingyenes szint

A hardverre vonatkozó sor nem ajánlás: Intel-alapú Mac-en az alkalmazás nem fut. Vásárlás előtt az Alma menü → „A Mac névjegye” ablakban nézd meg, milyen processzor van a gépedben.

Az ingyenes szint valódi korlátokkal jár, ezért írjuk ki pontosan: napi 5 perc diktálás, valamint összesen 5 hang- és 5 videóátirat — ez utóbbi életre szóló keret, nem napi. A felvétel készítése soha nincs mérve, és egy már átírt felvétel újbóli átírása sem fogyaszt a keretből. Nincs előfizetés — de ez nem azt jelenti, hogy nincs korlát. A magyar App Store az árat forintban mutatja; a vásárlás és az esetleges visszatérítés az Apple szabályai szerint megy.

Ha inkább egy meglévő felvételből kell szöveg, arról a hangfájl szöveggé alakítása oldal szól; ha pedig az érdekel, mi történik technikailag a motorháztető alatt, olvasd el a helyben futó beszédfelismerésről szóló összefoglalót.

Gyakori kérdések

Kapcsolódó témák