Cuprins 6 secțiuni
Recunoașterea vocală, numită în engleză speech-to-text, este tehnologia prin care un program transformă ce spui cu voce tare într-un text scris. O folosești când dictezi un mesaj pe telefon, când ceri unui asistent vocal să pornească un cronometru sau când primești subtitrări automate la un videoclip. Procesul pare banal, dar rezolvă o problemă grea: același cuvânt sună diferit la fiecare om, în fiecare cameră și în fiecare stare.
Articolul explică pașii prin care sunetul devine text, cum lucrează sinteza vocală în sens invers, de ce apar greșeli și ce poți face ca rezultatul să fie mai bun. Partea de modele care învață din exemple se leagă de Rețelele neuronale: cum învață un model din date, pe care merită să le parcurgi dacă ești curios de mecanism.
Cum ajunge sunetul să fie text?
Sunetul trece prin patru etape: captarea, transformarea într-o reprezentare utilă modelului, recunoașterea fragmentelor și asamblarea textului. Fiecare etapă adaugă o sursă posibilă de eroare.
- Captarea: microfonul convertește undele sonore într-un semnal electric, apoi într-un șir de numere, prin eșantionare. Este un proces de digitalizare asemănător cu cel din tehnologia digitală, de la biți la aplicații.
- Reprezentarea: semnalul este împărțit în felii foarte scurte, de ordinul zecilor de milisecunde, iar din fiecare se calculează cum se distribuie energia pe frecvențe. Rezultatul seamănă cu o „imagine” a sunetului, numită spectrogramă.
- Recunoașterea: un model antrenat pe mii de ore de vorbire estimează, pentru fiecare fragment, ce sunete sau litere sunt probabile.
- Asamblarea: un al doilea nivel alege secvența de cuvinte cea mai plauzibilă, ținând cont de limbă. „Ceai cald” este mai probabil decât „chei cald”, chiar dacă sună aproape la fel.
Ultimul pas explică de ce sistemele moderne greșesc mai rar decât cele vechi: nu ascultă doar sunete, ci și potrivesc rezultatul cu felul în care se construiesc propozițiile.
De ce contează contextul?
În vorbirea obișnuită, cuvintele nu au pauze clare între ele. Cuvintele se leagă, unele litere se pronunță pe jumătate, iar omofonele, cuvintele care sună la fel, nu pot fi deosebite decât din context. Un model care ia în calcul întreaga propoziție rezolvă multe ambiguități pe care sunetul singur nu le poate lămuri.
Ce este sinteza vocală?
Sinteza vocală, numită și text-to-speech, transformă un text scris în vorbire audio. Sistemele vechi lipeau bucăți de sunete înregistrate, de aceea vocea suna robotic și aspru la îmbinări. Cele actuale folosesc rețele neuronale care generează direct forma sunetului, cu intonație, pauze și ritm mult mai naturale.
Aceeași tehnologie poate imita o voce anume pe baza unor eșantioane. De aici vine și riscul, discutat în Deepfake-urile: cum sunt create și cum le recunoști: o voce clonată poate fi folosită pentru a păcăli o persoană la telefon. O regulă bună este să nu confirmi niciodată o plată sau o parolă doar pentru că vocea de la capătul liniei sună cunoscut. Tehnicile de manipulare de acest tip sunt descrise în Ingineria socială: tehnicile prin care ești manipulat online.
De ce greșește uneori recunoașterea vocală?
Greșelile au cauze previzibile, iar cele mai frecvente sunt cinci. Zgomotul de fond acoperă părți din semnal, mai ales consoanele, care poartă multă informație. Accentele și dialectele se abat de la ce a văzut modelul cel mai des în antrenare. Termenii rari, nume proprii, denumiri locale sau cuvinte tehnice nu apar în vocabularul modelului suficient de des. Vorbirea foarte rapidă sau mai multe persoane care vorbesc deodată rup separarea cuvintelor. În sfârșit, microfonul slab sau depărtat înregistrează o calitate scăzută de la început.
Sistemele funcționează în general mai bine în limbile mari, pentru că au avut mai multe date. În română, calitatea a crescut mult, dar numele de localități, termenii medicali sau cei juridici pot ieși deformat. Explicația ține de ce date a primit modelul, subiect tratat în Datele de antrenament AI: surse, calitate și limite.
| Cauză | Cum se manifestă | Ce poți face |
|---|---|---|
| Zgomot de fond | cuvinte lipsă sau inventate | mută-te într-un loc liniștit |
| Microfon îndepărtat | text confuz, fragmentat | vorbește aproape de microfon |
| Termeni rari | nume deformate | verifică și corectează manual |
| Mai mulți vorbitori | cuvinte amestecate | cere pe rând sau folosește separarea vorbitorilor |
| Vorbire foarte rapidă | cuvinte unite | fă pauze scurte la sfârșit de propoziție |
Unde se procesează vocea ta?
Dictarea poate fi procesată pe dispozitiv sau trimisă la un server, iar diferența contează pentru confidențialitate. Telefoanele folosesc de multe ori un model mic local pentru comenzi simple și trimit către cloud înregistrările mai lungi. Cum se compară cele două abordări este explicat în AI local sau în cloud: diferențe și cum alegi. În setările aplicației poți verifica dacă înregistrările sunt păstrate și pentru cât timp.
Atenție: transcrierea automată a unei discuții cu alte persoane poate necesita acordul lor. Înainte de a înregistra o ședință sau o consultație, anunță participanții și verifică regulile locului de muncă.
Cum obții transcrieri mai bune?
Câteva obiceiuri simple aduc o îmbunătățire vizibilă:
- folosește un microfon aproape de gură, de exemplu cel din căști, nu pe cel al laptopului aflat la un metru;
- vorbește într-un ritm constant, cu pauze la sfârșitul propozițiilor;
- evită zgomotul continuu din fundal, cum ar fi ventilatorul sau televizorul;
- pronunță clar numele proprii și literează-le dacă sunt rare;
- recitește întotdeauna cifrele, datele și numele după transcriere.
Pentru transcrieri lungi, un truc practic este să corectezi manual primele minute și apoi să trimiți textul unui asistent, cerându-i să uniformizeze ortografia numelor. Formularea cererii influențează mult rezultatul; sugestii sunt în Prompturile: cum formulezi cereri clare pentru un asistent AI.
Întrebări frecvente
Cum funcționează recunoașterea vocală?
Microfonul captează sunetul, acesta este împărțit în fragmente scurte, iar un model antrenat estimează ce cuvinte se potrivesc cel mai bine, ținând cont și de context.
Care este diferența dintre recunoașterea și sinteza vocală?
Recunoașterea transformă vorbirea în text, iar sinteza transformă textul în vorbire. Sunt două tehnologii înrudite, care merg în direcții opuse.
De ce greșește transcrierea la nume proprii?
Pentru că numele rare apar puțin în datele de antrenare, iar modelul alege cuvântul cel mai probabil pentru sunetul auzit, nu pe cel corect pentru situația ta.
Poate un program să-mi clonească vocea?
Tehnic da, pe baza unor eșantioane audio. De aceea nu confirma niciodată tranzacții sau parole doar pe baza vocii.
Funcționează recunoașterea vocală fără internet?
Unele aplicații au modele locale pentru dictare și comenzi simple. Cele mai complexe cereri sunt, de regulă, procesate pe serverele furnizorului.
