LesskeysBeszéd szöveggé alakítása: szószedet
A beszédfelismerő szoftverek sok szakkifejezést használnak, és némelyik a különböző gyártóknál mást jelent. Ez az oldal azt mondja el, hogy az egyes fogalmak itt mit jelentenek.
Az oldalon sajátos vagy szokatlan módon használt szavak, és hogy nálunk mit jelentenek.
A
- ASR (automatikus beszédfelismerés)
A beszédet szöveggé alakító szoftverek általános neve. A Whisper is ilyen rendszer. A „beszéd szöveggé alakítása” hétköznapi használatban ugyanezt jelenti.
D
- Diktálás
- Beszéd gépelés helyett: a szavak abban az alkalmazásban jelennek meg, amelyet éppen használsz. Élő és rövid. Az ellentéte az átírás, amely egy meglévő felvételt utólag alakít szöveggé.
H
- Billentyűparancs
Olyan billentyűkombináció, amely mindenhol működik, nemcsak egyetlen alkalmazáson belül. A Lesskeys egyet használ a diktálás indítására és leállítására, így beszéléshez nem kell ablakot váltanod.
O
- Eszközön futó
A munka azon a gépen történik, amely előtted van, nem egy cég szerverén. A hol történik a feldolgozás, ezért ellenőrizhető: kapcsold ki a hálózatot, és így is működik.Lesskeysnél ez azt jelenti, hogy a felvétel, a beszédmodell és az elkészült szöveg is a gépeden marad. Ez arról szól,
S
- Beszélők szétválasztása
Annak kiderítése, hogy- Rendszerhang
- A hang, amelyet a gép lejátszik, szemben azzal, amit a mikrofonod hall. A rendszerhang és a mikrofon együttes rögzítése a hívás mindkét oldalát felveszi úgy, hogy semmi nem csatlakozik a megbeszéléshez.
T
- Átírás
- Egy már meglévő felvétel – hívás, interjú, videó – leírt szöveggé alakítása. A diktálással ellentétben utólag történik, és általában több beszélő van benne.
V
- Hangprofil
Egy adott hang jellegzetességeinek tárolt összefoglalója, amellyel ugyanazt a személyt ismerik fel különböző felvételeken. A Lesskeys a hangprofilokat a gépeden tárolja, máshol sehol.
W
- WER (szóhibaarány)
- A pontosság mérőszáma. Megszámolja a rosszul felismert szavakat – a cserélt, kihagyott vagy beszúrt szavakat –, az ténylegesen elhangzott szavak százalékában. Minél kisebb, annál jobb; a 2,5%-os WER nagyjából negyven szóból egy hibás szót jelent.
Whisper Nyílt beszédfelismerő modellek családja, amely hétköznapi hardveren is fut, összehasonlító tesztünk kimutatta.Mac vagy-en Windows PC-n is. Több méretben létezik; a nagyobb nem automatikusan jobb, ahogy a saját
Gyors válaszok
Mit jelent pontosan, hogy az eszközön fut?
Azt, hogy a feldolgozás a saját gépeden történik, nem egy cég szerverén. A gyakorlati próba egyszerű: kapcsold ki a hálózatot. Ha így is működik, akkor az eszközön fut.
Ugyanaz a diktálás, mint az átírás?
Nem. A diktálás élő: beszélsz, és a szavak ott jelennek meg, ahová éppen gépelsz. Az átírás egy már meglévő felvételt alakít szöveggé, általában több beszélővel.
Mi számít jó szóhibaaránynak?
A hanganyagtól függ, ezért egyetlen szám félrevezető. Tiszta beszédnél a legjobb mai modellek 2–3% körül vannak, vagyis nagyjából negyven szóból egy hibás. A nehéz hanganyagot – egymásba beszélést, erős akcentust, rossz akusztikájú termet – minden rendszer sokkal nehezebben kezeli.