Lesskeys术语表A 到 Z
语音转文字术语表
简而言之
语音软件有很多专业词汇，有些词在不同厂商那里含义并不相同。本页说明每个词在这里指什么。
本站里有特定含义或不太常见用法的词，以及我们用这些词时指的是什么。
A
- ASR（自动语音识别）
- 把语音转换成文字的软件的统称。Whisper 就是这类系统之一。日常使用中，“语音转文字”的意思与它相同。
D
- 语音输入
- 用说话代替打字，文字直接出现在你正在使用的应用里。它是实时的，通常比较短。与之相对的是转写，转写是事后把已有的录音变成文字。
H
- 快捷键
- 在任何地方都有效的组合键，而不只在某一个应用里有效。Lesskeys 用一个快捷键来开始和停止语音输入，所以你说话时不必切换窗口。
O
- 本地处理
- 处理工作在你面前的这台电脑上完成，而不是在某家公司的服务器上。对 Lesskeys 来说，录音、语音模型和最终的文字都留在你的电脑上。这说的是处理发生在哪里，所以可以验证：把网络关掉，它照样能用。
S
- 说话人分离
- 在有多个人声的录音里，弄清谁在什么时候说了话。它与转写是两项不同的工作：转写回答说了什么，说话人分离回答是谁说的。两者结合起来，就得到每一行都标有说话人的逐字稿。
- 系统音频
- 你的电脑正在播放的声音，区别于麦克风听到的声音。同时录下系统音频和麦克风，就能录到通话的双方，而不需要任何东西加入会议。
T
- 转写
- 把已有的录音（通话、采访或视频）变成书面文字。与语音输入不同，它发生在事后，而且通常涉及不止一位说话人。
V
- 声纹
- 对某个人声音特征的一份存储摘要，用来在不同录音中认出同一个人。Lesskeys 只把声纹保存在你的电脑上，不存放在其他任何地方。
W
- WER（词错误率）
- 衡量准确度的方式。它统计系统出错的词（替换、漏掉或多出的），占实际所说词数的百分比。越低越好，WER 为 2.5% 大约意味着四十个词错一个。
- Whisper
- 一系列开源的语音识别模型，可以在普通硬件上运行，包括 Mac 或 Windows 电脑。它有多种尺寸；更大不一定更好，这正是我们自己的基准测试所测的内容。
快速解答
“本地处理”到底是什么意思？
意思是处理过程发生在你自己的电脑上，而不是某家公司的服务器上。判断方法很简单：关掉网络。如果它还能用，就是本地处理。
语音输入和转写是一回事吗？
不是。语音输入是实时的：你说话，文字就出现在你正在打字的位置。转写则是把已有的录音变成文字，录音里通常不止一个人说话。
词错误率多少算好？
这取决于音频本身，所以只看一个数字容易产生误导。在清晰的语音上，目前最好的模型大约在 2–3%，也就是大约四十个词错一个。对任何系统来说，这类音频的错误率都会高得多：多人抢话、口音很重或者房间回声大。