Я почти не печатаю: как локальная модель распознавания речи заменила клавиатуру

Этот материал я не напечатал, а наговорил. Как и восемь предыдущих частей сериала.

Сразу оговорюсь, чтобы снять очевидное возражение: печатать я умею, причём вслепую всеми пальцами. Клавиатура у меня вообще полностью английская, русских букв на ней нет, и это никогда не мешало.

Разговор выигрывает не у набора вообще, а у набора в конкретной ситуации: когда надо поставить задачу, объяснить, что не так в результате, или зафиксировать мысль, пока она не ушла.

Почему не облако

Первым делом я смотрел в сторону Яндекса. Их распознавание слышно каждый день в Алисе, и работает оно отлично. Но подключение к нему платное, счёт идёт за минуты, а диктую я помногу и каждый день.

Поэтому модель встала прямо на компьютер. Называется GigaAM, сделал её Сбер, распространяется бесплатно, весит 428 мегабайт.

У локального варианта два следствия, которые я не закладывал, но получил:

• Скорость. Аудио никуда не отправляется, поэтому обработка начинается сразу и не зависит от связи.
• Работает без интернета. В дороге, в самолёте, при упавшем вайфае разницы нет.

Но главное было другое: она хорошо понимает русский. Английские модели на нашей речи коверкают окончания, путают имена и спотыкаются на отчествах, а это ровно то, чем наполнены рабочие надиктовки.

Замеры

| Что | Сколько | |---|---| | Минута речи | около полутора секунд обработки | | Созвон 37 минут | 49 секунд, 28 400 знаков расшифровки | | Короткая фраза | появляется почти сразу, как договорил |

Цифры не из рекламы, а с моего компьютера: обычный рабочий ноутбук, никакой отдельной видеокарты.

Что оказалось важнее качества распознавания

Любая расшифровка ошибается. Вопрос в том, кто разбирается с ошибками.

Прежде чем начать диктовать всерьёз, я записал для ИИ отдельное условие: я говорю голосом, расшифровка местами коверкает слова, учитывай это и не понимай написанное буквально.

Дальше выписал типичные искажения:

• Название программы, в которой я работаю, распознавание упорно слышит как «код код» или «клоуда».
• Глаголы приходят не в той форме: я говорю «проверь», а в тексте оказывается «проверю». То есть поручение превращается в рассказ о планах.
• Микрофон ловит не только меня: в текст попадают обрывки того, что звучит рядом.

Теперь ИИ подставляет правильные слова сам, читает глаголы как поручения и вылавливает посторонние куски. Пару раз он переспрашивал, что делать с заехавшим в надиктовку фрагментом чужого разговора.

Вывод из этого шире, чем про диктовку: систему проще предупредить о своих особенностях, чем добиваться идеального входа.

Что это дало, кроме постов

Созвоны перестали быть мёртвым грузом. Раньше запись часовой встречи лежала мёртвым файлом: пересматривать час ради трёх решений никто не станет. Теперь запись превращается в текст за минуту, а ИИ достаёт из неё план и задачи с именами ответственных.

Задачи ставятся на ходу. Мысль наговаривается в телеграм-бота и сама попадает во входящие. Пока дошёл до машины, три задачи заведены.

Чужие ролики превращаются в навык. Короткую выжимку из видео сегодня бесплатно сделает и Яндекс.Браузер, но задача другая. Я скидываю ролик, где кто-то показывает рабочий приём, ИИ разбирает и речь, и то, что происходит на экране, а потом превращает это в инструкцию для самого себя. Дальше он просто умеет так делать, и объяснять второй раз не нужно.

Последнее стоит подчеркнуть: учусь тут не я, а он.

Зачем это на самом деле

Дело не в скорости, хотя говорю я примерно втрое быстрее, чем печатаю.

Дело в том, что мысль перестала теряться. Идея приходит в дороге, в очереди, между встречами, и раньше она там же и оставалась: доставать ноутбук ради двух абзацев никто не будет. Теперь она проговаривается вслух, а разбирается с ней уже ИИ.

Восемь постов этого сериала я не напечатал. Я их рассказал.