Hlasová poznámka vypadá jako jeden úkon, ale ve skutečnosti jsou to čtyři: mikrofon nahrává, soubor se uloží, model rozpoznávání řeči převede zvuk na text a něco ten text zaindexuje, aby se dal později najít. Když víte, kde jsou švy, vysvětlí to většinu toho, co lidi překvapuje — proč přepisy selhávají na jménech, proč se přesnost v kavárně hroutí a proč aplikace, která přepisuje, nemusí být aplikací, ve které pak něco najdete.
Krok jedna: co nahrávka doopravdy zachytí
Telefon měří tlak vzduchu u mikrofonu několik tisíckrát za sekundu a ukládá naměřená čísla. Rozpoznávání řeči obvykle pracuje se zvukem převzorkovaným na 16 000 vzorků za sekundu v jediném kanálu, protože téměř veškerá informace, která odlišuje hlásky, leží pod 8 kHz. Hudba se nahrává na 44 100 a výš; řeč to nepotřebuje.
Proto jsou soubory hlasových poznámek malé a proto umístění mikrofonu rozhoduje víc než jeho kvalita. Telefon v kapse nahrává převážně látku a žádný model dál v řetězci nedoplní to, co mikrofon nikdy nedostal.
Krok dva: ze zvuku na text
Moderní rozpoznávání řeči mapuje zvuk přímo na text pomocí neuronového modelu natrénovaného na obrovském množství přepsané řeči; nahradilo tím starší řetěz oddělených akustických, výslovnostních a jazykových modelů. Praktický důsledek je ten, že model hádá pravděpodobnou větu, nedekóduje hlásky jednu po druhé.
Proto chyby vypadají tak, jak vypadají. Rozpoznávače málokdy vyplodí nesmyslnou změť; vyplodí plynulá, ale chybná slova — z příjmení kolegy se stane podobně znějící obecné podstatné jméno, z názvu produktu běžné slovní spojení. Na výstupu je vždy věta, která působí úplně, a to chyby zamaskuje lépe, než by dokázal šum nebo ticho.
Jak se měří přesnost a co čekat
Standardní mírou je chybovost slov: vložení, vypuštění a záměny dělené počtem skutečně vyslovených slov. Chybovost 5 % znamená, že špatně je každé dvacáté slovo — pro vyhledávání to obvykle stačí, u čísla nebo jména to občas znamená katastrofu.
Hrubá očekávání, která se podle systému a podmínek hodně liší:
- Zřetelná řeč, tichá místnost, běžný přízvuk: chybovost v řádu jednotek procent na obecné slovní zásobě.
- Hluk v pozadí, více mluvčích nebo vzdálenost od mikrofonu: chybovost prudce roste, často několikanásobně.
- Vlastní jména, odborné termíny a věty míchající jazyky: s velkým odstupem nejslabší místo, protože vzácná slova jsou v trénovacích datech zastoupena špatně.
- Čísla, data a hláskování: formátují se podle konvence, takže „patnáct set“ se může vrátit jako 1500 nebo slovy, podle systému.
Krok tři: jak přepis zůstane dohledatelný
Přepis a dohledání jsou dvě různé úlohy a spousta aplikací řeší jen tu první. Když text leží u jednotlivé nahrávky a hledá se podle přesných slov, najdete ho jen tak, že si vzpomenete na slovo, které jste opravdu řekli — a po měsících je právě to zapomenuté.
Vyhledávání podle významu mění zadání: poznámka, ve které jste řekli „dodavatel pořád posouvá termíny“, je dosažitelná z dotazu „problém se spolehlivostí partnera“. To je rozdíl mezi diktafonem a prohledatelným archivem a v seznamu funkcí ho nepoznáte, protože přepis slibují oba.
Proč při zachycení mluvení poráží psaní
Rozdíl je mechanický. Řeč v hovoru běží zhruba 130 až 150 slov za minutu, psaní na telefonu u většiny lidí zhruba 35 až 40. Devadesát vteřin cesty k autu unese hotovou myšlenku, která by ťukání jedním palcem nepřežila.
Cenou je přesnost. Mluvené poznámky odbíhají, začínají znovu a nechávají téma nevyslovené: „říkal, že to nebude fungovat“ je vám jasné asi jeden den. Levná náprava je jediná závěrečná věta, ve které pojmenujete člověka, téma a důvod, proč vůbec nahráváte.
Co hlasové poznámky nezvládnou
Samy se neopraví. Špatné jméno v přepisu zůstane špatné, dokud něco neoznačí nejistotu nebo si toho nevšimnete sami — a plynulost textu od kontroly aktivně odrazuje. Jediným skutečným lékem je držet původní zvuk vedle textu: nahrávka je doklad, přepis je jen jeho výklad.
Neřeší ani případ, kdy jste kontext nahlas nikdy nevyslovili. A pokud je jazyk, kterým mluvíte, v trénovacích datech modelu zastoupen slabě, čekejte v něm citelně horší výsledky než v angličtině, ať marketing tvrdí cokoli.
Berte přepis jako vyhledávací rejstřík a zvuk jako zdroj pravdy. Vyzkoušejte libovolnou aplikaci na hlasové poznámky jednou nepovedenou nahrávkou — hluk v pozadí, dvě jména, číslo — a týden nato ji zkuste najít slovy, která jste neřekli.