Как устроен голосовой ввод

От сырой расшифровки к читаемому тексту: пунктуация, числа и обработка

Почему сырую расшифровку речи нельзя сразу отправлять, как добавляются знаки препинания, заглавные буквы, числа и списки, почему «пять пятьдесят» неоднозначно и как не дать обработке изменить смысл.

MacWindowsiPhoneAndroid

Коротко

Распознавание речи возвращает ваши слова так, как вы их сказали: со словами-паразитами, оговорками и без знаков препинания. Второй шаг превращает это в письменный текст: пунктуация, заглавные буквы, числа цифрами, списки и абзацы. Этому шагу приходится толковать: «пять пятьдесят» может быть временем, ценой или количеством. Хорошая обработка сохраняет ваш смысл и язык и меняет только форму.

Gmail

Вы сказали

привет сара созвон в пять пятьдесят нет извини в шесть пятнадцать а бюджет двенадцать тысяч пятьсот евро

SayVelio напечатал

Привет, Сара!

Созвон в 18:15, а бюджет 12 500 €.

Как выглядит сырая расшифровка

Люди не говорят готовыми предложениями. Сырая расшифровка обычного сообщения часто выглядит так:

короче э план такой мы мы отправляем черновик во вторник нет в среду а потом ну анна его смотрит

Все слова на месте, но отправлять такое никто не станет. Чтобы получилось «План такой: отправляем черновик в среду, потом Анна его смотрит.», нужно несколько отдельных решений: убрать «э» и «ну», выкинуть повтор «мы», применить самоисправление, добавить знаки препинания и заглавные буквы.

Сырая расшифровка со словами-паразитами без знаков препинания рядом с обработанным текстом
Одна и та же диктовка до и после обработки

Пунктуация — это толкование

Микрофон не записывает запятые. Пунктуация выводится из пауз, интонации и строения фразы, то есть это редакторский выбор, а не измерение. Чаще всего он очевиден. Иногда он меняет смысл («казнить нельзя помиловать») — ещё одна причина перечитывать важные сообщения перед отправкой.

Числа, даты и деньги: обратная нормализация текста

У перевода устных форм в письменную запись есть техническое название: обратная нормализация текста (ITN). Это то, что превращает «сто двадцать три доллара» в «$123», а «третьего марта» — в «3 марта».

Это сложнее, чем кажется, потому что звук часто не даёт однозначного ответа:

Вы говоритеМожно записать как
«пять пятьдесят»5:50 (время), 550 (число), 5,50 (цена)
«две тысячи двадцать четыре»2024 (год), 2000 и 24 (два числа)
«двадцать двадцать четыре»20–24 (диапазон), 20:24 (время или счёт)
«третье»3-е, 3 число месяца, «третье» как слово

Обычно контекст всё решает, и хорошая обработка выбирает по всей фразе. Когда важна точность, скажите чуть больше: «пять пятьдесят вечера», «пять рублей пятьдесят».

Обратное направление, из записанного «$123» в произносимые слова, называется нормализацией текста — это делают системы синтеза речи, см. распознавание и синтез речи.

Слова верные, а оформление — нет

Распознавание и оформление — разные задачи. Распознаватель может угадать каждое слово, а результат всё равно не подойдёт: список записан абзацем, время — числом, деловое письмо полно восклицательных знаков. Это работа слоя оформления, и здесь помогают личные настройки.

В SayVelio этот слой — необязательная обработка:

  • Промпт обработки задаёт общие правила: как оформлять списки, числа, тон.
  • Стили для приложений подстраивают результат под место, где вы пишете: коротко и просто в чате, полными предложениями в письме, точные команды в терминале.
  • Режим «Быстро» пропускает обработку и вставляет расшифровку как есть, когда скорость важнее «шлифовки».

Держите границу между «аккуратнее» и «по-другому»

Одни изменения безобидны: заглавные буквы, запятые, удалённое «э». Другие меняют сказанное: заменённое имя, пропавшее «не», округлённое число, переформулированное обещание. Хорошая обработка свободно делает первые и избегает вторых.

Обработке в SayVelio задано сохранять ваши слова и язык, никогда не переводить и не отвечать на продиктованное. Если результат выглядит странно, каждая диктовка хранится в истории в приложении, откуда её можно скопировать снова.

Частые вопросы

Почему число в моей диктовке записалось по-другому?

Обработка пишет произнесённые числа так, как их обычно пишут: цифрами, с валютой, в формате времени. Если она выбрала не то прочтение, добавьте слово контекста («в пять пятьдесят вечера») или опишите нужные форматы в промпте обработки.

Можно получить текст ровно так, как я сказал?

Да. Используйте режим «Быстро»: он вставляет то, что услышало распознавание, без обработки. Слова-паразиты и оговорки тоже останутся.