Головна › Локальне розпізнавання мовлення

Основи · розпізнавання мовлення на Mac

Локальне розпізнавання мовлення: що це означає технічно

Локальне розпізнавання мовлення означає, що модель працює на вашому власному комп’ютері: запис перетворюється на текст на місці й нікуди не вивантажується. Ту саму річ називають «розпізнаванням мовлення офлайн», «локальною транскрибацією» або «моделлю на пристрої» — це синоніми, а не різні технології.

Спершу про сам термін

Українською одну технологію звично називають двома різними словами, і плутанина тут виникає постійно. Розпізнавання мовлення — це перетворення сказаного вголос на текст. Розпізнавання мови — це визначення того, якою саме мовою людина говорить. У застосунку, про який ідеться далі, працює і те, і те: спершу визначається мова запису, потім мовлення перетворюється на текст. На цій сторінці «мовлення» — це те, що ви вимовляєте, а «мова» — українська, польська чи англійська.

Що означає «локальне»

Питання не в тому, чи технологія працює, а в тому, де відбуваються обчислення. У хмарному варіанті програма записує ваш голос, надсилає файл на чужий сервер, там модель рахує, а готовий текст повертається назад. У локальному варіанті та сама модель лежить звичайним файлом на вашому диску, а рахують процесор і графічний чип вашого комп’ютера. Шлях даних короткий: звук увійшов — текст вийшов, мережі між ними немає взагалі.

Це не «офлайн-режим», який хтось дописав збоку. Автономність тут — наслідок архітектури: якщо обчислення й так відбуваються на вашій машині, то запитувати нема кого й нема про що. Тому застосунок однаково працює в літаку, у поїзді, у приміщенні без покриття та тоді, коли інтернету просто немає.

Хмара проти пристрою: що насправді відрізняється

Обидва підходи дають придатний результат, і жоден не «кращий» сам по собі — вони відрізняються тим, що відбувається навколо самого тексту.

Два останні рядки — чесний зворотний бік. Локальне розпізнавання переносить навантаження на вас: двогодинне інтерв’ю займе Mac на відчутний час, вентилятор може загудіти, а батарея сідатиме швидше, ніж під час набору тексту. Натомість ніде не з’являється копія запису в місці, яке ви не контролюєте.

Чому потрібен саме Apple Silicon

Сучасна модель розпізнавання мовлення — це від кількох сотень мільйонів до кількох мільярдів параметрів. Щоб транскрибація йшла швидше за сам запис, обчислення мають виконуватися на графічному чипі, а модель має вміститися в пам’ять, до якої процесор і графіка звертаються спільно.

Саме це дає уніфікована пам’ять Apple Silicon: процесор і GPU працюють з однією й тією самою оперативною пам’яттю, тож модель не доводиться безперервно копіювати між двома окремими областями. У Mac на процесорах Intel такої архітектури немає. Тому Lesskeys — застосунок винятково для Apple Silicon: Mac з M1 або новішим чипом обов’язковий, а не бажаний; на Intel-Mac він не запуститься. Система — macOS 13 (Ventura) або новіша. Перевірити своє залізо можна в меню Apple → «Про цей Mac».

Що впливає на точність

Результат залежить не від «магії моделі», а від умов запису — і це варто знати до того, як ви зробите висновок про технологію загалом.

• Мікрофон і відстань. Гарнітура або мікрофон біля рота дають помітно кращий результат, ніж вбудований мікрофон на іншому кінці кімнати.
• Накладання голосів. Коли двоє говорять одночасно, точність падає в будь-якої системи — і локальної, і хмарної.
• Власні назви й терміни. Прізвища, назви компаній, абревіатури та вузька термінологія — найслабше місце. Звучання буде впізнаване, написання — часто ні.
• Пунктуація. Модель розставляє розділові знаки сама, і це інтерпретація, а не ваш власний авторський запис.
• Перемикання між мовами. Поодинокі англійські терміни в українському реченні — не проблема; довгі уривки іншою мовою в межах одного запису псують результат. Докладніше про це на сторінці про розпізнавання української мови.

Практичний висновок: автоматичний транскрипт — це чернетка. Вона знімає більшість ручної роботи, але не замінює вичитування, особливо якщо ви збираєтеся з цього тексту цитувати.

Що означає «аудіо не залишає Mac» — і чого воно не означає

Локальна обробка — це твердження про архітектуру застосунку: немає вивантаження аудіофайлу, немає сервера, який його приймає, немає облікового запису й немає телеметрії. Мережа потрібна лише двічі: щоб завантажити застосунок із магазину і щоб один раз завантажити модель.

Чого з цього не випливає — правової оцінки вашої конкретної обробки. Голос людини, а надто збережений голосовий профіль, є персональними даними в розумінні Закону України «Про захист персональних даних», і для їх обробки потрібна правова підстава. Ми не заявляємо відповідності ані цьому закону, ані GDPR, ані будь-яким стандартам і нічого не сертифікуємо. Чи можна записувати, зберігати й аналізувати конкретну розмову, залежить від мети, від людей у записі та від вашої організації — це питання до вашого юриста або до особи, відповідальної за захист персональних даних. Архітектура знімає лише одне питання, яке зазвичай ставлять першим: куди потрапляє запис. Жодних гарантій щодо доказової сили запису ми не даємо.

Коли в записі є інші люди

Щойно в записі звучить хтось іще, технічний бік відходить на другий план. Стаття 163 Кримінального кодексу карає порушення таємниці листування й телефонних розмов, тобто втручання в чужі комунікації. Зворотного висновку — «а власну розмову записувати можна» — ми свідомо не робимо: це юридична оцінка, яку ми не маємо права давати. Стаття 182 КК стосується незаконного збирання, зберігання, використання та поширення конфіденційної інформації про особу, тож вона стає актуальною не лише в момент запису, а й тоді, коли ви надсилаєте комусь готовий транскрипт. Цивільний кодекс додає свій шар: стаття 301 — право на приватне життя, стаття 306 — таємниця листування й телефонних розмов, використання та оприлюднення яких потребує згоди, стаття 307 — згода на відеозйомку, що важливо, бо запис екрана фіксує не лише звук.

Практичне правило одне: попередьте і отримайте згоду на початку розмови, зафіксуйте її в самому записі або в протоколі, а якщо людина проти — не записуйте. На роботі окремої «статті про запис» немає: питання регулюють закон про персональні дані та внутрішні правила, тому узгодьте це заздалегідь із керівництвом і з відповідальною за персональні дані особою. Це інформаційний блок, а не юридична консультація.

Чотири речі, які легко переплутати

Розпізнавання мовлення відповідає на питання, що було сказано. Розділення мовців відповідає, хто це сказав — лише разом вони дають читабельний запис розмови. Синтез мовлення — зворотний напрямок: текст перетворюється на голос. А голосове керування в macOS виконує команди, а не створює зв’язний текст.

Локальне розпізнавання мовлення на Mac

Lesskeys — застосунок для macOS, який працює винятково локально: голосове введення гарячою клавішею в будь-якій програмі та транскрибація розмов, інтерв’ю й готових аудіо- та відеофайлів з автоматичним поділом на мовців. Розпізнає 99 мов і сам визначає, якою ви говорите. Продиктований текст потрапляє в буфер обміну, а вставляєте його ви самі через ⌘V — застосунок нічого не друкує самостійно в чужі вікна, тож ви бачите кожну фразу до того, як вона кудись потрапить.

Завантаження безкоштовне, Pro відкриває разова покупка в застосунку — $49.99, в App Store сума показується у валюті вашого акаунта. Це не підписка й не оплата за хвилини. У безкоштовній версії доступні 5 хвилин диктування на добу та 5 аудіо- і 5 відеотранскрипцій усього (не на день); сам запис не обмежується ніколи, а повторна транскрибація вже розшифрованого файлу квоту не витрачає. Якщо хочете побачити весь процес крок за кроком — перейдіть до опису того, як перетворити голос на текст.

Часті запитання

Читайте також