LesskeysSłownik pojęć z mowy na tekst
Oprogramowanie do rozpoznawania mowy używa wielu specjalistycznych terminów, a część z nich u różnych dostawców znaczy co innego. Ta strona wyjaśnia, co każdy z nich oznacza tutaj.
Słowa, których na tej stronie używamy w specyficzny lub nietypowy sposób, i ich znaczenie w tym kontekście.
A
- ASR (automatyczne rozpoznawanie mowy)
Ogólna nazwa oprogramowania, które zamienia mowę na tekst. Whisper to jeden z takich systemów. „Mowa na tekst” w zwykłym użyciu znaczy to samo.
D
- Dyktowanie
- Mówienie zamiast pisania, tak że słowa pojawiają się w aplikacji, której już używasz. Odbywa się na żywo i jest krótkie. Różni się od transkrypcji, która zamienia istniejące nagranie na tekst po fakcie.
H
- Skrót klawiszowy
Kombinacja klawiszy, która działa wszędzie, a nie tylko w jednej aplikacji. Lesskeys używa jej do rozpoczynania i kończenia dyktowania, więc nie musisz przełączać okien, żeby mówić.
O
- Na urządzeniu
Praca odbywa się na komputerze, który masz przed sobą, a nie na serwerze firmy. W gdzie odbywa się przetwarzanie, dlatego da się je sprawdzić: wyłącz sieć, a nadal działa.Lesskeys oznacza to, że nagranie, model mowy i gotowy tekst zostają na Twoim komputerze. To stwierdzenie o tym,
S
- Podział na mówców
- Ustalanie, kto i kiedy mówił w nagraniu z więcej niż jednym głosem. To osobne zadanie od transkrypcji: transkrypcja pyta, co powiedziano, podział na mówców pyta, kto to powiedział. Oba łączy się, by uzyskać transkrypcję z imionami przy każdym wierszu.
- Dźwięk systemowy
- Dźwięk, który odtwarza Twój komputer, w odróżnieniu od dźwięku, który słyszy mikrofon. Nagrywanie dźwięku systemowego razem z mikrofonem rejestruje obie strony rozmowy, bez dołączania kogokolwiek do spotkania.
T
- Transkrypcja
- Zamiana istniejącego nagrania, takiego jak rozmowa, wywiad czy wideo, na tekst pisany. W przeciwieństwie do dyktowania odbywa się po fakcie i zwykle bierze w niej udział więcej niż jeden mówca.
V
- Odcisk głosowy
Zapisane podsumowanie tego, jak brzmi dany głos, używane do rozpoznawania tej samej osoby w różnych nagraniach. Lesskeys trzyma odciski głosowe na Twoim komputerze i nigdzie indziej.
W
- WER (współczynnik błędów słów)
- Sposób mierzenia dokładności. Liczy słowa, w których system się pomylił, czyli zastąpione, pominięte lub dodane, jako odsetek słów faktycznie wypowiedzianych. Im niżej, tym lepiej, a WER 2,5% oznacza mniej więcej jedno błędne słowo na czterdzieści.
Whisper Rodzina otwartych modeli rozpoznawania mowy, które działają na zwykłym sprzęcie, w tym na Macu i komputerze z test porównawczy.Windows . Występuje w kilku rozmiarach; większy nie znaczy automatycznie lepszy, co zmierzył nasz własny
Krótkie odpowiedzi
Co właściwie znaczy „na urządzeniu”?
Że przetwarzanie odbywa się na Twoim własnym komputerze, a nie na serwerze firmy. Praktyczny test jest prosty: wyłącz sieć. Jeśli nadal działa, to jest na urządzeniu.
Czy dyktowanie to to samo co transkrypcja?
Nie. Dyktowanie odbywa się na żywo: mówisz, a słowa pojawiają się tam, gdzie piszesz. Transkrypcja zamienia istniejące już nagranie na tekst, zwykle z więcej niż jednym mówcą.
Jaki jest dobry współczynnik błędów słów?
To zależy od dźwięku, dlatego pojedyncza liczba jest myląca. Na czystej mowie najlepsze obecne modele osiągają około 2–3%, czyli mniej więcej jedno słowo na czterdzieści jest błędne. Trudne nagrania (mówienie jedno przez drugie, silne akcenty, kiepska akustyka pomieszczenia) są znacznie trudniejsze dla każdego systemu.