LesskeysGlossário de voz para texto
Software de voz usa muitos termos especiais, e alguns deles significam coisas diferentes para cada fabricante. Esta página explica o que cada um quer dizer aqui.
Palavras usadas neste site de um jeito específico ou incomum, e o que elas significam quando as usamos.
A
- ASR (reconhecimento automático de fala)
O nome geral para o software que converte fala em texto. O Whisper é um desses sistemas. “Voz para texto” quer dizer a mesma coisa no uso comum.
D
- Ditado
- Falar em vez de digitar, para que as palavras apareçam no app que você já está usando. É ao vivo e curto. Compare com a transcrição, que transforma em texto uma gravação existente, depois que a conversa já aconteceu.
H
- Tecla de atalho
Uma combinação de teclas que funciona em qualquer lugar, não só dentro de um app. O Lesskeys usa uma para iniciar e parar o ditado, então você nunca precisa trocar de janela para falar.
O
- Local (on-device)
O trabalho acontece no computador à sua frente, e não no servidor de uma empresa. No onde o processamento acontece, e por isso dá para conferir: desligue a rede e ele continua funcionando.Lesskeys , isso significa que a gravação, o modelo de voz e o texto final ficam todos no seu computador. É uma afirmação sobre
S
- Diarização de falantes
- Descobrir quem falou, e quando, em uma gravação com mais de uma voz. É um trabalho separado da transcrição: a transcrição pergunta o que foi dito, a diarização pergunta quem disse. Os dois se combinam para gerar uma transcrição com o nome de cada pessoa em cada linha.
- Áudio do sistema
- O som que o seu computador está reproduzindo, em oposição ao som que o microfone ouve. Gravar o áudio do sistema junto com o microfone captura os dois lados de uma chamada sem que nada entre na reunião.
T
- Transcrição
- Transformar em texto escrito uma gravação que já existe: uma chamada, uma entrevista, um vídeo. Ao contrário do ditado, acontece depois do evento e geralmente envolve mais de uma pessoa falando.
V
- Impressão de voz
Um resumo guardado de como uma determinada voz soa, usado para reconhecer a mesma pessoa em gravações diferentes. O Lesskeys guarda as impressões de voz no seu computador e em nenhum outro lugar.
W
- WER (taxa de erro de palavras)
- Como a precisão é medida. Conta as palavras que o sistema errou — trocadas, omitidas ou inseridas — como porcentagem das palavras realmente ditas. Quanto menor, melhor, e um WER de 2,5% significa mais ou menos uma palavra errada a cada quarenta.
Whisper Uma família de modelos abertos de reconhecimento de voz que roda em hardware comum, inclusive em um benchmark mediu.Mac ou em um PC comWindows . Vem em vários tamanhos; maior não é automaticamente melhor, e foi isso que o nosso próprio
Respostas rápidas
O que significa “on-device” de verdade?
Que o processamento acontece no seu próprio computador, e não no servidor de uma empresa. O teste prático é simples: desligue a rede. Se continuar funcionando, é local.
Ditado é a mesma coisa que transcrição?
Não. O ditado é ao vivo: você fala e as palavras aparecem onde você está digitando. A transcrição transforma em texto uma gravação que já existe, geralmente com mais de uma pessoa falando.
O que é uma boa taxa de erro de palavras?
Depende do áudio, e é por isso que um número único engana. Em fala limpa, os melhores modelos atuais ficam em torno de 2 a 3%, ou seja, mais ou menos uma palavra errada a cada quarenta. Áudio difícil, com gente falando ao mesmo tempo, sotaques fortes ou uma sala com acústica ruim, é muito mais complicado para qualquer sistema.