Распознавание речи, распознавание голоса и речь в текст: в чём разница?

W3C проводит границу, которую большинство страниц продуктов размывает: распознавание речи определяет произнесённые слова, а распознавание голоса — личность говорящего.

Это различие кажется техническим, пока вы не выберете неподходящий инструмент. Приложение для голосового ввода может преобразовать предложение в текст, но не обязательно способно подтвердить, что его произнесли именно вы. Система верификации диктора может разблокировать учётную запись по голосовому отпечатку, но при этом никогда не создать читаемую расшифровку. Обе системы слушают аудио, однако решают разные задачи.

В этом руководстве разграничены шесть терминов, которые часто считают синонимами: распознавание речи, распознавание голоса, преобразование речи в текст, диктовка, транскрибация и голосовое управление. Используйте сравнительную таблицу для быстрого ответа, а затем прочитайте разделы, соответствующие вашей задаче.

Шесть терминов вкратце

Терминология речевых интерфейсов сформировалась в нескольких областях: доступности, телефонии, биометрии, лингвистике и потребительском программном обеспечении. В каждой области появились собственные обозначения, а затем маркетинговые тексты смешали их. В этой таблице каждому термину соответствует одна практическая задача.

Что такое распознавание речи?

Распознавание речи — это технология, которая преобразует устную речь в слова или интерпретирует её как команду. Инженеры часто называют её автоматическим распознаванием речи, сокращённо ASR. IBM также называет распознавание речи и преобразование речи в текст тесно связанными терминами, поскольку текст — самый заметный результат работы системы ASR.

Основная задача здесь лингвистическая. Система анализирует аудио, определяет вероятные звуки и выбирает слова, которые лучше всего соответствуют этим звукам и их контексту. Современные системы могут также добавлять прописные буквы и знаки препинания. Однако они по-прежнему могут ошибаться из-за акцента, имён, фонового шума, специальной лексики и смешения языков.

Распознавание речи лежит в основе нескольких продуктов, которые кажутся не связанными между собой. Автоматические субтитры превращают презентацию в читаемый текст. Автомобильный ассистент понимает фразу «позвони домой» как команду. Голосовая клавиатура вставляет абзац в электронное письмо. Интерфейс и результат различаются, но каждая система сначала должна определить, что сказал человек.

В обзоре распознавания речи W3C диктовка и управление компьютером отнесены к этой широкой категории. Там также отмечено, что распознавание речи помогает людям с физическими ограничениями пользоваться компьютером без клавиатуры и мыши. Точность важна, но не менее важны команды, инструменты исправления и поддержка приложений, окружающие модуль распознавания.

Что такое распознавание голоса?

В строгом смысле распознавание голоса означает определение диктора по характеристикам его голоса. Более точный отраслевой термин — распознавание диктора. Система может определить вероятного говорящего среди зарегистрированных людей или проверить, соответствует ли голос заявленной личности.

Основная задача здесь биометрическая, а не лингвистическая. Система ищет закономерности в высоте голоса, ритме, характеристиках речевого тракта и других признаках. Её результатом может быть вывод «вероятно, это владелец учётной записи», а не предложение. Система может распознавать диктора, не обращая внимания на смысл произнесённого.

Существуют две распространённые формы:

• Идентификация диктора определяет, кто из известных системе людей говорит.
• Верификация диктора проверяет, соответствует ли голос человеку, за которого он себя выдаёт.

Ни один из результатов нельзя считать безошибочным. Записи, синтезированная речь, болезни, возрастные изменения, шумные помещения и некачественные регистрационные образцы могут влиять на голосовую биометрическую систему. Сервисы с повышенными требованиями к безопасности обычно сочетают голос с другими сигналами, а не считают его безусловным доказательством личности.

В повседневной речи термины используются свободнее. Люди ищут «программу распознавания голоса», когда им нужна диктовка. Иногда страницы продуктов употребляют это выражение так же. Это распространённое употребление, но оно скрывает различие между пониманием слов и определением говорящего. Если ваша цель — писать, полезнее искать преобразование речи в текст, голосовой ввод или диктовку.

Какое место занимает преобразование речи в текст

Преобразование речи в текст описывает процесс и его результат: на вход поступает аудио, на выходе получаются письменные слова. Обычно в основе лежит распознавание речи. Microsoft документирует сервисы преобразования речи в текст для аудио в реальном времени и пакетной обработки записей, а Google описывает модели, настроенные для разных типов аудио и режимов потоковой передачи.

Этот термин мало говорит об окружающем рабочем процессе. Движок преобразования речи в текст может вернуть разработчику неформатированную строку. Сервис субтитров может разделить её на строки с временной привязкой. Инструмент для встреч может добавить метки дикторов. Голосовая клавиатура может привести предложение в порядок и вставить его в позицию курсора. Модуль распознавания может быть похожим, но впечатления от продукта — совершенно разными.

Поэтому сравнивать инструменты только по заявленному показателю точности недостаточно. Нужно также знать, поддерживает ли система ваш язык и приложения, пунктуацию, длинные записи, нескольких дикторов, исправление и конфиденциальность, а также какова задержка между речью и появлением результата. Наша статья о локальной и облачной диктовке объясняет один важный архитектурный выбор, связанный с этими компромиссами.

У диктовки и транскрибации общий движок, но не рабочий процесс

Диктовка — это обычно намеренное создание текста одним человеком. Вы знаете, что произнесённые слова должны стать текстом. Результат появляется в реальном времени или после короткого речевого фрагмента — в идеале там, где уже находится курсор. Вы исправляете его в процессе письма.

Транскрибация обычно создаёт текстовую запись уже существующего или независимо происходящего аудио. В нём могут быть несколько участников, перебивания и материал, который нужно передать близко к оригиналу. Полезные функции транскрибации включают временные метки, разделение по дикторам, ссылки на воспроизведение и пакетную обработку.

Представьте командную встречу. Произнести в документ: «Напиши короткое сообщение о том, что запуск перенесли на пятницу» — это диктовка. Загрузить 45-минутную запись и получить документ с разметкой дикторов — транскрибация. Превратить этот документ в краткое сообщение — составление резюме. Один продукт может предлагать все три функции, но это разные задачи.

Talkpad создан для диктовки. В macOS и Windows вы устанавливаете курсор в нужном приложении, удерживаете сочетание клавиш push-to-talk, говорите и отпускаете клавиши. Результат должен стать рабочим текстом, а не архивной расшифровкой. О практическом отличии этого процесса от постоянно слушающих инструментов читайте в руководстве по диктовке push-to-talk.

Голосовой ввод и диктовка — почти одно и то же

Голосовой ввод — более понятное потребительское название диктовки в текстовое поле. Microsoft называет «голосовым вводом» функцию Windows, открываемую сочетанием Win + H. Apple называет встроенную функцию ввода текста «Диктовкой». В Google Документах она называется «Голосовой ввод». Названия различаются сильнее, чем основная задача.

Настольная голосовая клавиатура может добавить ещё один уровень. Она может работать во многих приложениях, использовать удерживаемую горячую клавишу, исправлять пунктуацию и предлагать выбор языков независимо от активной системной раскладки. Важна не этикетка, а проверка: установите курсор в приложении, где действительно работаете, и убедитесь, что инструмент возвращает редактируемый текст с приемлемой точностью и задержкой.

Если вы недавно пользуетесь Windows, в руководстве по сочетаниям клавиш для диктовки в Windows рассказано о Win + H, пунктуации, переключении языков и ситуациях, когда голосовая клавиатура для разных приложений может подойти лучше.

Голосовое управление предназначено для действий

Голосовое управление позволяет человеку работать с интерфейсом: открыть приложение, нажать обозначенный элемент, выбрать пункт меню, прокрутить страницу, выделить текст или переместить фокус. Оно часто включает диктовку, но ввод текста — лишь одна часть системы.

Apple наглядно разделяет эти функции. Диктовка вводит текст, а «Управление голосом» предоставляет более широкие команды навигации и редактирования. Аналогично, Windows предлагает голосовой ввод для текста и «Голосовой доступ» для управления компьютером речью. Человеку, который без труда пользуется мышью, может понадобиться только диктовка. Тому, кому нужен полностью бесконтактный доступ к компьютеру, может потребоваться более широкая система команд.

Это различие важно при выборе средств доступности. Быстрая расшифровка не гарантирует, что человек сможет исправить ошибку, выбрать кнопку или перейти между приложениями без помощи рук. Проверяйте всю задачу, включая восстановление после того, как система услышала неправильную команду.

Как выбрать подходящую категорию

Начните с нужного результата, затем используйте соответствующую поисковую фразу.

1. Вы хотите писать в почте, документах, чатах или инструментах ИИ: выбирайте диктовку или голосовой ввод.
2. Вам нужна доступная для поиска запись встречи или аудиозаписи: выбирайте транскрибацию.
3. Вам нужны субтитры во время речи: выбирайте преобразование речи в текст в реальном времени или создание субтитров.
4. Вы хотите управлять всем компьютером с помощью речи: выбирайте голосовое управление или «Голосовой доступ».
5. Вы хотите проверить, кто говорит: выбирайте верификацию диктора или голосовую биометрию.
6. Вы создаёте продукт: оцените API распознавания речи, а затем добавьте нужный пользователям рабочий процесс.

Инструменты для письма проверьте на небольшом примере в важных для вас приложениях. Продиктуйте обычный абзац, вопрос, предложение с двумя именами и один специальный термин. Оцените задержку, пунктуацию, объём исправлений и попадание текста в нужное место. Список функций не покажет, сколько правок потребуется именно вашей речи.

Распространённые ошибки при выборе

Покупка голосовой биометрии, когда нужен текст

Продукт для верификации диктора может превосходно сопоставлять личности, но не иметь удобного интерфейса для письма. Вместо него ищите голосовой ввод или диктовку.

Покупка сервиса транскрибации встреч для повседневного письма

Инструменты для встреч построены вокруг записей, участников и резюме. Они могут быть неудобны, когда нужно просто вставить три предложения в письмо. Выбирайте рабочий процесс, а не самый впечатляющий список функций ИИ.

Предположение, что встроенные и межпрограммные инструменты взаимозаменяемы

Встроенная диктовка бесплатна, и её может быть достаточно. Отдельная голосовая клавиатура может предложить другой процесс с горячими клавишами, иное исправление текста, поддержку языков или охват приложений. Перед оплатой сравните оба варианта на одном примере.

Игнорирование исправлений

Первая расшифровка — лишь половина впечатления. Проверьте, насколько быстро можно отменить, отредактировать или повторить ввод либо перейти к клавиатуре для точных строк. Имена, числа, URL-адреса и обязательства всегда нужно перепроверять.

Частые вопросы

Распознавание речи и преобразование речи в текст — одно и то же?

Преобразование речи в текст — распространённое применение и результат распознавания речи. Распознавание речи может также интерпретировать голосовые команды, не создавая видимой расшифровки.

Чем распознавание речи отличается от распознавания голоса?

Распознавание речи определяет, что сказал человек. Распознавание голоса или диктора определяет или проверяет личность говорящего по характеристикам его голоса.

Диктовка использует распознавание речи или голоса?

Диктовка использует распознавание речи, обычно с преобразованием речи в текст, чтобы помещать произнесённые слова в документ или текстовое поле. Определять личность говорящего ей не нужно.

Чем диктовка отличается от транскрибации?

Диктовка — это обычно намеренное создание текста одним человеком. Транскрибация создаёт запись живого или записанного аудио и может добавлять временные метки, обозначения дикторов и ссылки на воспроизведение.

Чем голосовой ввод отличается от голосового управления?

Голосовой ввод вставляет слова в позицию курсора. Голосовое управление также взаимодействует с элементами интерфейса, выполняет навигацию по приложениям, выделяет текст и осуществляет действия на компьютере с помощью речи.

Talkpad доступен для macOS и Windows. Для более интенсивного использования Pro стоит 8 $ в месяц или 6 $ в месяц при ежегодной оплате. Скачайте Talkpad бесплатно – бесплатный тариф включает 2 500 слов в неделю.