Főoldal › Helyben futó beszédfelismerés

Alapfogalmak · beszédfelismerés Mac-en

Helyben futó beszédfelismerés: mit jelent ez technikailag?

A helyben futó beszédfelismerés azt jelenti, hogy a nyelvi modell a saját gépeden fut: a hangból ott lesz szöveg, és a felvétel nem hagyja el az eszközt. Ugyanerre használatos az „eszközön futó” és az „offline beszédfelismerés” kifejezés is.

Mi a beszédfelismerés, és mit jelent, hogy „helyben fut”?

A beszédfelismerés az a művelet, amikor egy program a kimondott szavakat leírt szöveggé alakítja. Ennek az oldalnak nem az a kérdése, hogy ez működik-e, hanem az, hogy hol történik. Két út van.

A felhős megoldásnál az alkalmazás rögzíti a hangot, feltölti egy szolgáltató szerverére, ott fut le a felismerés, és a kész szöveg jön vissza a gépedre. A helyben futó — más néven eszközön futó vagy offline — megoldásnál ugyanaz a modell fájlként ott van a saját lemezeden, és a számítás a Mac memóriájában és grafikus egységén zajlik. Az adat útja rövid: bemegy a mikrofonhang vagy a hangfájl, kijön a szöveg, hálózat nincs a kettő között.

Ez nem apró technikai részlet, hanem architekturális döntés, aminek négy kézzelfogható következménye van: keletkezik-e másolat a felvételedről máshol, működik-e a dolog hálózat nélkül, mennyibe kerül hosszú távon, és milyen gépet kíván.

Felhő vagy helyi feldolgozás: a különbség a gyakorlatban

Mindkét megközelítés ad ma használható eredményt. A különbség abban van, ami a szövegen kívül még történik.

Az utolsó két sor az őszinte hátulütő: a helyi feldolgozás a számítási terhet rád tolja. Egy kétórás interjú átírása alatt a Mac-ed dolgozik, a ventilátor hallható lesz, és a gép melegszik. Cserébe nem keletkezik másolat a felvételedről olyan helyen, ahol nem te rendelkezel róla.

Miért kötelező hozzá az Apple Silicon

Egy mai beszédfelismerő modell több száz millió, felső hangon néhány milliárd paraméterből áll. Ahhoz, hogy az átírás gyorsabban haladjon, mint maga a felvétel hossza, ezeket a műveleteket a grafikus egységen kell futtatni, a modellnek pedig bele kell férnie abba a memóriába, amelyet a processzor és a GPU közösen ér el.

Pontosan ezt adja az Apple Silicon egyesített memóriája: a processzor és a GPU ugyanazon a memórián osztozik, tehát a modellt nem kell két memóriaterület között oda-vissza másolni. Az Intel-alapú Mac-ekben ez a feltétel nincs meg. Ezért a Lesskeys kizárólag Apple Silicon-on fut: az M1 vagy újabb gép követelmény, nem ajánlás — Intel Mac-en a program el sem indul. Operációs rendszerből a macOS 13 (Ventura) a legkisebb támogatott verzió. Vásárlás előtt az Alma menü → „A Mac névjegye” ablakban nézd meg, mi van a gépedben.

Miért nem kell hozzá internet

Ha a modell a lemezen van, akkor a felismeréshez nincs mit lekérdezni. Hálózat két dologhoz kell: a program letöltéséhez az App Store-ból, és az első indításkor a nyelvi modell egyszeri letöltéséhez. Ezután repülőn, vonaton, alagsori tárgyalóban vagy ügyfélnél, vendég-wifi nélkül is ugyanúgy működik. Ez nem egy szűkített „offline mód”, hanem az egyetlen üzemmód.

Ennek a fordítottja is igaz, és érdemes kimondani: ha a felismerés felhőben fut, egy hálózatkimaradás vagy a szolgáltató leállása alatt nem tudsz dolgozni, és ha a szolgáltatás megszűnik, a hozzáférésed is megszűnik vele. A helyi modelltől csak annyi kell, hogy a gép be legyen kapcsolva.

Mennyire megy ez magyarul

A modell többnyelvű, és a magyart a 99 felismert nyelv részeként kezeli; a nyelvet felvételenként magától állapítja meg, nem kell előre beállítanod. Gondos, közeli mikrofonos, normál tempójú beszédnél a magyar eredmény használható munkaanyag.

Ugyanakkor a magyar az ilyen modellekben kisebb erőforrású nyelv, mint az angol vagy a spanyol, és ezt nem akarjuk elkenni. Amin jellemzően csorbul:

• Ragozás és toldalékolás. A hosszú toldaléksorok és az összetett szavak határai néha rosszul kerülnek elő, főleg gyors beszédnél.
• Tulajdonnevek. Cég-, település- és személynevek gyakran hangzásra hihető, de hibás alakban jelennek meg — ragozva még inkább.
• Szaknyelv és rövidítések. Jogi, orvosi, informatikai szakszavak és a magyar mozaikszavak javítást kívánnak.
• Hadarás, egymásra beszélés, visszhangos terem. Ezek minden rendszernek ártanak, nem csak ennek.
• Központozás. A vessző és a mondathatár értelmezés kérdése, nem hallott jel — ezt szinte mindig igazítani kell.

Százalékos pontossági számot szándékosan nem írunk le sehol: nincs mögötte saját, magyar nyelvű mérésünk, a más nyelven mért adatot pedig félrevezető lenne magyarra átvinni. Amit felelősen mondhatunk: a gépi leirat nyersanyag, ami a gépelés nagy részét megspórolja, de az átolvasást nem.

Rokon fogalmak, amiket könnyű összekeverni

Magyarul több szó fut ugyanarra, és ez a keresést is nehezíti. Az átirat és a leirat ugyanazt az eredményt jelenti: a hanganyag leírt szövegét; a szolgáltatói nyelvben a „leiratozás” és a „legépelés” a bevett forma. A beszédfelismerés arra válaszol, mit mondtak. A beszélők szétválasztása (szakszóval diarizáció) arra, hogy ki mondta — a kettő együtt ad olvasható, szereplőkre bontott szöveget. A hangvezérlés megint más: az parancsokat hajt végre, nem folyó szöveget ír. A gépi fordítás pedig egy külön lépés, ami a már leírt szöveget viszi át másik nyelvre.

Amit a helyi feldolgozás nem jelent

Az, hogy „a hang a gépeden marad”, állítás az architektúráról: nincs feltöltés, nincs fiók, nincs szerver, ami átveszi a felvételt, és nincs telemetria. Ebből azonban semmilyen jogi minősítés nem következik. Nem állítjuk — és ne is olvasd ki innen —, hogy bármilyen adatvédelmi jogszabálynak való megfelelést tanúsítunk. Hogy egy konkrét felvételt jogszerűen készíthetsz-e, meddig őrizheted és mire használhatod, a céltól, az érintettektől és a szervezeted szabályaitól függ — ezt az adatvédelmi tisztviselőd vagy a jogászod tudja megítélni, mi nem adunk jogi tanácsot.

Ha másokat is felveszel, a technika a kisebbik kérdés. A Ptk. (2013. évi V. törvény) 2:48. §-a szerint hangfelvétel készítéséhez és felhasználásához egyaránt az érintett hozzájárulása kell; kivétel a tömegfelvétel és a közéleti szereplésről készült felvétel. Ebből az következik, hogy a titokban készített felvétel személyiségi jogot sért akkor is, ha te magad részt veszel a beszélgetésben — ez lényeges különbség ahhoz képest, amit az angol nyelvű cikkek az amerikai gyakorlatról írnak. A gyakorlat: mondd be a felvétel elején, rögzítsd a hozzájárulást írásban is, és tiltakozás esetén ne vedd fel. Munkahelyi környezetben ehhez jön az Mt. 11/A. §-a szerinti munkavállalói ellenőrzés kerete és a NAIH visszafogott gyakorlata a munkahelyi hangrögzítéssel szemben. Ez tájékoztatás, nem jogi tanácsadás, és nem vállalunk garanciát arra, hogy a felvétel vagy az átirat bizonyítékként felhasználható vagy elfogadható lesz.

Helyben futó beszédfelismerés a Mac-en

A Lesskeys egy macOS-alkalmazás, ami kizárólag helyben dolgozik. Két dolgot csinál: billentyűparancsra diktálsz vele bárhol a rendszerben, illetve felveszel vagy behúzol egy hang- és videófájlt, és beszélőkre bontott, időbélyeges átiratot kapsz belőle, kereshető helyi archívummal. A felismerés 99 nyelvet fed le, a nyelvet automatikusan határozza meg.

A diktált szöveg a vágólapra kerül, és te nyomsz ⌘V-t ott, ahol a kurzor áll — a program nem gépel be semmit magától idegen alkalmazásba, tehát látod a szöveget, mielőtt bárhová kerülne.

A letöltés ingyenes, a teljes verziót egyszeri, 49,99 $-os alkalmazáson belüli vásárlással oldod fel; nincs előfizetés és nincs percdíj. Az ingyenes szint nem korlátlan, hanem ennyi: napi 5 perc diktálás, valamint összesen 5 hang- és 5 videóátirat — ez életre szóló keret, nem napi. A felvétel készítése soha nincs mérve, és egy már átírt felvétel újbóli átírása (másik nyelven vagy nagyobb modellel) sem fogyaszt a keretből. A magyar App Store az árat forintban mutatja, a vásárlást és az esetleges visszatérítést az Apple szabályai szerint intézed.

Ha a folyamatot lépésről lépésre szeretnéd látni, olvasd tovább itt: beszéd szöveggé alakítása a Mac-en.

Gyakori kérdések

Kapcsolódó témák