LesskeysСловник розпізнавання мовлення
У програмах для розпізнавання мовлення багато спеціальних слів, і різні виробники по-різному розуміють деякі з них. Ця сторінка пояснює, що кожне з них означає тут.
Слова, які на цьому сайті вживаються в особливому чи незвичному значенні, і що вони означають у нашому ужитку.
A
- ASR (автоматичне розпізнавання мовлення)
Загальна назва програм, що перетворюють мовлення на текст. Whisper — одна з таких систем. У повсякденному вжитку «мовлення в текст» означає те саме.
D
- Диктування
Спосіб говорити замість друкувати: слова з’являються в будь-якому застосунку, яким ви вже користуєтеся. Це відбувається наживо й короткими фрагментами. Протиставляється транскрибації, яка перетворює наявний запис на текст постфактум.
H
- Гаряча клавіша
Комбінація клавіш, що діє всюди, а не лише в одному застосунку. Lesskeys використовує її, щоб почати й зупинити диктування, тож вам не доводиться перемикати вікна, щоб говорити.
O
- На пристрої
Робота відбувається на де відбувається обробка, тому його можна перевірити: вимкніть мережу, і все працюватиме.комп’ютері перед вами, а не на сервері компанії. УLesskeys це означає, що запис, мовна модель і готовий текст залишаються на вашомукомп’ютері . Це твердження про те,
S
- Розділення мовців
З’ясування того,говорив і коли, у записі з кількома голосами. Це окреме завдання, не те саме, що транскрибація: транскрибація відповідає на питання, що було сказано, а розділення мовців — хто це сказав. Разом вони дають транскрипт, де біля кожного рядка вказано ім’я .- Системне аудіо
Звук, який відтворює ваш комп’ютер , на відміну від звуку, який чує мікрофон. Запис системного аудіо разом із мікрофоном охоплює обидві сторони розмови, і ніхто не приєднується до наради.
T
- Транскрибація
Перетворення наявного запису — дзвінка, інтерв’ю , відео — на письмовий текст. На відміну від диктування, вона відбувається після події й зазвичай стосується кількох мовців.
V
- Голосовий профіль
Збережений підсумок того, як звучить певний голос; за ним впізнають ту саму людину в різних записах. Lesskeys зберігає голосові профілі на вашомукомп’ютері й більше ніде.
W
- WER (частка помилкових слів)
- Спосіб виміряти точність. Він рахує слова, які система розпізнала хибно — замінила, пропустила чи додала, — у відсотках від слів, що справді прозвучали. Чим менше, тим краще, а WER 2,5% означає, що приблизно одне слово з сорока хибне.
Whisper Родина відкритих моделей розпізнавання мовлення, які можуть працювати на звичайному обладнанні, зокрема на тест.Mac чи ПК ізWindows . Моделі бувають різних розмірів; більша не завжди краща, що й виміряв наш власний
Короткі відповіді
Що насправді означає «на пристрої»?
Диктування й транскрибація — це одне й те саме?
Який показник WER вважається добрим?
Це залежить від аудіо, тому одне число вводить у оману. На чистому мовленні найкращі сучасні моделі показують близько 2–3%, тобто приблизно одне слово з сорока хибне. Складне аудіо — перемовляння, сильний акцент, погана акустика — набагато важче для будь-якої системи.