LesskeysThuật ngữ chuyển giọng nói thành văn bản
Phần mềm nhận dạng giọng nói dùng rất nhiều từ chuyên môn, và một số từ có nghĩa khác nhau tuỳ nhà cung cấp. Trang này nói rõ mỗi từ có nghĩa gì ở đây.
Những từ được dùng trên trang web này theo một nghĩa cụ thể hoặc ít gặp, và ý nghĩa của chúng khi chúng tôi dùng.
A
- ASR (nhận dạng giọng nói tự động)
- Tên gọi chung của phần mềm chuyển giọng nói thành văn bản. Whisper là một hệ thống như vậy. “Chuyển giọng nói thành văn bản” có cùng nghĩa trong cách dùng thông thường.
D
- Nhập liệu giọng nói
- Nói thay vì gõ, để chữ hiện ra trong bất kỳ ứng dụng nào bạn đang dùng. Nó diễn ra trực tiếp và ngắn. Khác với gỡ băng, vốn biến một bản ghi có sẵn thành văn bản sau khi sự việc đã xảy ra.
H
- Phím tắt
- Một tổ hợp phím hoạt động ở mọi nơi, không chỉ trong một ứng dụng. Lesskeys dùng một tổ hợp để bắt đầu và dừng nhập liệu giọng nói, nên bạn không bao giờ phải chuyển cửa sổ để nói.
O
- Trên máy
- Việc xử lý diễn ra trên chiếc máy tính ngay trước mặt bạn, không phải trên máy chủ của một công ty. Với Lesskeys, điều đó nghĩa là bản ghi âm, mô hình giọng nói và văn bản hoàn chỉnh đều ở lại trên máy tính của bạn. Đây là một phát biểu về nơi việc xử lý diễn ra, nên có thể kiểm chứng: tắt mạng và nó vẫn chạy.
S
- Tách người nói
- Xác định ai đã nói, và khi nào, trong một bản ghi có nhiều giọng. Đây là một việc tách biệt với gỡ băng: gỡ băng hỏi điều gì đã được nói, còn tách người nói hỏi ai đã nói. Hai việc được kết hợp để tạo ra bản gỡ băng có tên người nói ở từng dòng.
- Âm thanh hệ thống
- Âm thanh mà máy tính của bạn đang phát, khác với âm thanh mà micrô nghe được. Ghi âm thanh hệ thống cùng với micrô sẽ thu được cả hai phía của cuộc gọi mà không cần ai tham gia cuộc họp.
T
- Gỡ băng
- Biến một bản ghi đã có sẵn, như một cuộc gọi, một buổi phỏng vấn hay một video, thành văn bản. Khác với nhập liệu giọng nói, nó diễn ra sau sự việc, và thường có nhiều hơn một người nói.
V
- Hồ sơ giọng nói
- Một bản tóm lược được lưu về việc giọng của một người nghe như thế nào, dùng để nhận ra cùng một người qua các bản ghi khác nhau. Lesskeys giữ hồ sơ giọng nói trên máy tính của bạn và không ở đâu khác.
W
- WER (tỷ lệ lỗi từ)
- Cách đo độ chính xác. Nó đếm số từ hệ thống nhận sai (thay thế, bỏ sót hoặc chèn thêm) theo phần trăm số từ thực sự được nói. Càng thấp càng tốt, và WER 2,5% nghĩa là cứ khoảng bốn mươi từ thì sai một từ.
- Whisper
- Một họ mô hình nhận dạng giọng nói mở có thể chạy trên phần cứng thông thường, kể cả máy Mac hay máy tính Windows. Nó có nhiều kích cỡ; lớn hơn chưa chắc đã tốt hơn, và đó chính là điều bài đo kiểm của chúng tôi đã đo.
Giải đáp nhanh
“Trên máy” thực sự nghĩa là gì?
Là việc xử lý diễn ra trên chính máy tính của bạn chứ không phải trên máy chủ của một công ty. Cách thử rất đơn giản: tắt mạng. Nếu nó vẫn chạy, thì đó là xử lý trên máy.
Nhập liệu giọng nói có giống gỡ băng không?
Không. Nhập liệu giọng nói diễn ra trực tiếp: bạn nói và chữ hiện ra ngay chỗ bạn đang gõ. Gỡ băng biến một bản ghi đã có sẵn thành văn bản, thường có nhiều hơn một người nói trong đó.
Tỷ lệ lỗi từ thế nào là tốt?
Tuỳ vào âm thanh, vì vậy một con số duy nhất dễ gây hiểu lầm. Với giọng nói rõ, các mô hình tốt nhất hiện nay đạt khoảng 2–3%, nghĩa là cứ khoảng bốn mươi từ thì sai một từ. Âm thanh khó, như nói chen nhau, giọng vùng miền đậm hay căn phòng ồn, khó hơn nhiều với mọi hệ thống.