Чому моє диктування таке неточне?

Яка точність насправді реалістична

Ось цифра, яку ніхто не виносить на свою маркетингову сторінку. Розпізнавання мовлення вимірюється через частку помилок у словах, або WER — частку слів, у яких система помиляється, рахуючи заміни, пропуски та вставки порівняно з тим, що ви насправді сказали. Чим менше, тим краще. WER, що дорівнює нулю, — це ідеальна транскрипція; точність слів — це просто одиниця мінус WER.

На чистому англійському еталоні LibriSpeech середня англійська модель Whisper показує близько 3% WER — приблизно 97% точності. Мала англійська модель тримається в районі 5,1% WER, близько 95%. Це цифри для чистого звуку: тиха кімната, хороший мікрофон, уважний читець. Реальне життя додає шум, акценти, перехресні розмови та жаргон, і кожна з цих речей цілком закономірно піднімає WER угору.

То що ж нормально? Близько 95% на пристойному англійському звуці — одне неправильне слово з двадцяти. Це не дефект. Це інструмент, який працює так, як задумано. Якщо ви сидите на 85% у шумній кухні з вбудованим мікрофоном ноутбука, програма не зламана — умови нижчі за те, що потрібно моделі. Виправляти треба умови, а не ставити більшу модель. Поставте планку на «одне маленьке виправлення на абзац» — і більша частина люті зникне з вашого досвіду.

П'ять підозрюваних, у порядку ймовірності

Коли диктування дає збій, причина майже завжди — одна з п'яти речей. Пройдіться цим списком по порядку. Перші дві охоплюють більшість випадків.

1. Налаштування мови. Ви говорите однією мовою; інструмент слухає іншу або вгадує.
2. Мікрофон. Вбудований мікрофон ноутбука за метр від вас чує радше кімнату, ніж ваш рот.
3. Кімната. Фоновий шум, телевізор, лунка кухня — модель транскрибує все це.
4. Модель. Ви вибрали надто важку для вашого заліза, тож вона повільна або захлинається.
5. Очікування. Звук нормальний, інструмент нормальний; ви міряєте проти 100%, а цього не досягає ніщо.

Самоперевірка на 60 секунд: надиктуйте ті самі два речення тричі — раз у тихій кімнаті близько до мікрофона, раз через усю кімнату, раз із увімкненою музикою. Якщо точність сильно стрибає між цими дублями, ваша проблема — звук (підозрювані 2 і 3), і жодна зміна програми не переможе того, щоб присунути мікрофон ближче та зачинити двері. Якщо ж погано навіть на тихому ближньому дублі, дивіться на налаштування мови та модель. Цей один тест за хвилину розкладає по полицях більшість випадків.

Причина 1: неправильно вибрана мова

Це виправлення на десять секунд, яке ніхто не перевіряє першим. Якщо ви знаєте, якою мовою говорите, виберіть її явно в налаштуваннях, а не залишайте інструмент на автовизначенні. Коли ви задаєте конкретну мову, інструмент перестає намагатися вгадати, яку мову він чує, і вкладає всі зусилля в те, щоб правильно розпізнати слова — помітно швидше й надійніше.

Пастки з невідповідністю цілком реальні. Багатомовні моделі Whisper охоплюють 99 мов з автовизначенням, але моделі лише для англійської прив'язані до англійської — подайте їм іншу мову, і ви отримаєте нісенітницю. Локальний Parakeet працює з англійською плюс 24 європейські мови і нічим поза цим набором, тож диктувати в нього японською не вийде ніколи, хоч який чистий у вас мікрофон. А якщо ви справді перемикаєтеся між мовами посеред речення, вам потрібна багатомовна модель Whisper з автовизначенням, а не лише для англійської. Узгодьте налаштування зі словами, що виходять із вашого рота, і шматок «неточності» зникне ще до того, як ви до чогось торкнетеся.

Причина 2: ваш мікрофон шкодить більше, ніж акцент

Люди звинувачують свій акцент. Майже завжди винен мікрофон. Роками я звинувачував свій — виявилося, мій голос був нормальний, а проблемою був мікрофон ноутбука за $0. Ось думка, яку я готовий обстоювати: «ШІ» не виправляє поганий звук. USB-мікрофон за $20 робить для точності більше, ніж будь-яке оновлення моделі — мікрофон і тиха кімната є двома найбільшими важелями точності, важливішими за те, яку модель ви вибрали. Витратьте гроші на залізо, перш ніж витрачати їх на більше завантаження.

Механізм нудний і фізичний. Вбудований мікрофон ноутбука сидить за тридцять і більше сантиметрів від вашого рота й вловлює стіл, кулер і кімнату. Штанга гарнітури чи USB-мікрофон за п'ятнадцять сантиметрів чують ваш голос і небагато іншого. Інструмент може транскрибувати лише те, що до нього доходить, а змазаний, віддалений, шумний сигнал дає йому менше матеріалу — тож він вгадує, а вгадування — це і є те, як ви отримуєте не ті слова. Я не переказуватиму тут увесь посібник про мікрофон і словник; наш детальний розбір про диктування, що друкує не ті слова докладно охоплює розташування мікрофона, рівень вхідного сигналу та власний словник. Для цієї статті суть вужча: якщо ваш тест із трьох дублів показав, що точність обвалюється з відстанню, підозрюваний — ваш мікрофон, а не ваш голос.

Причина 3: кімната, а не слова

Мікрофон не може «не почути» кімнату. Якщо ввімкнено телевізор, працює посудомийка, за спиною — офіс відкритого простору, чи за два метри діти сперечаються про правила настільної гри, модель транскрибує цю енергію поряд із вашим голосом. Вона не знає, який звук — той, що ви мали на увазі.

Виправлення на диво просте: зачиніть двері, вимкніть музику, відійдіть від вентилятора. М'які поверхні допомагають — кімната з килимом і шторами добріша до мікрофона, ніж кахляна кухня з голими стінами, де ваш голос відбивається й приходить двічі. Вам не потрібен акустичний поролон. Вам потрібно, щоб посудомийка закінчила свій цикл. Я диктував шкільні листи, поки збирав ланчбокси, і модель добре встигала — але це тому, що кухня була тиха, а не тому, що програма чарівна. Щойно запускається блендер, точність падає, і це не баг, на який варто заводити заявку.

Причина 4: модель не підходить вашому залізу

Це те, що конкуренти подають як чорну скриньку, а воно має значення. Більше не завжди краще. Виберіть модель надто важку для вашого комп'ютера — і вона працює повільно, відстає, а досвід відчувається зламаним, навіть коли точність на папері нормальна.

Whisper by Remskill не вибирає модель за вас. Він пропонує три шляхи й дає вам обрати: хмарний режим із вашим власним ключем OpenAI, локальний Parakeet або локальний Whisper. Хмарний режим працює на будь-якому залізі, бо це просто мережевий запит. Локально вся математика крутиться навколо оперативної пам'яті. На машині з 8 ГБ Parakeet (~600 МБ), модель Base або модель Small працюють комфортно, а модель Medium буде натужно тягнутися. Найбільші моделі Whisper — Large v3 на ~3 ГБ або Turbo — хочуть 16 ГБ і більше та найбільше виграють від окремої відеокарти. Найточніший багатомовний варіант — Large v3, який підтримує 99 мов, але потребує тих самих 16 ГБ запасу.

Сценарій «натисни й говори» однаковий, який би шлях ви не вибрали — затисніть гарячу клавішу, говоріть, відпустіть, і текст вставляється під вашим курсором. Гаряча клавіша за замовчуванням — Ctrl+Space на Windows і акорд Command+Option на macOS, обидві змінюються в налаштуваннях. Не впевнені, яка модель пасує вашому ноутбуку? Наш посібник із вибору правильної моделі Whisper зіставляє кожну з них із залізом, яке їй потрібне. Правило великого пальця: модель, що пасує й працює швидко, перемагає більшу, що затинається.

Коли інструмент справді винен, а коли це просто фізика

Іноді ви зробили все правильно — мікрофон близько, кімната тиха, мова правильна, модель розумна — а воно все одно помиляється на одному слові з п'ятнадцяти. Це може бути справжньою стелею. Сильні акценти, яких модель бачила мало, щільний технічний жаргон, двоє людей, що говорять один поверх одного, динамік телефону на тому кінці — усе це цілком закономірно піднімає WER, і жодне налаштування цього повністю не виправить. Для імен і галузевого жаргону локальний Whisper і хмарний режим дають змогу додати список власних слів, який зміщує розпізнавання до правильного написання; Parakeet таких підказок не приймає. Але «вона вчить мій голос, що більше я нею користуюся» — це міф із епохи Dragon: сучасне перетворення мовлення на текст не пристосовується до вашого індивідуального голосу з часом, і жодна кількість повторень його не навчить. Важіль — це звук і налаштування, а не терпіння.

Коли для цього варто обійтися без Whisper

Якщо все, що вам потрібно, — це відправити повідомлення на 20 слів чи коротку нотатку, нічого не завантажуйте. Ваша операційна система вже вміє диктувати. На Mac Apple Dictation вбудоване й безкоштовне — натисніть клавішу мікрофона або сполучення клавіш, і на підтримуваних конфігураціях воно обробляє все на пристрої. Воно зупиняється саме після 30 секунд тиші, тож підходить радше для коротких сплесків, ніж для довгих текстів. У Word Microsoft Dictate робить те саме з мікрофоном та інтернет-з'єднанням.

Беріться за спеціальний інструмент, коли ви вже диктуєте цілі абзаци, хочете, щоб він працював офлайн, чи потребуєте точності в іменах і жаргоні, з якими вбудовані інструменти плутаються — наш огляд альтернатив Apple Dictation охоплює варіанти. Для відповіді в один рядок безкоштовний вбудований інструмент — правильний вибір.

Здебільшого відповідь на питання «чому моє диктування таке неточне» — це не зізнання про ваш голос. Це тридцять сантиметрів відстані до мікрофона та посудомийка, про яку ви забули, що вона працює. Виправте звук, виберіть правильну мову, візьміть модель, яку потягне ваш ноутбук, а тоді судіть її проти 95%, а не 100%. Родич із гарнітурою Dragon воював із 1999-м. Ви — ні. Ви здебільшого воюєте зі своєю кухнею.