Нейросеть для голосовых сообщений: наговорить запрос и подготовить текст
Нейросеть для голосовых сообщений: как наговорить запрос голосом в LibraChat и как получить текст голосового на 30 секунд, который легко прочитать вслух.
Денис
Продакт LibraChat
6 мин чтения
Нейросеть для голосовых сообщений в LibraChat работает в одну сторону: ты говоришь, она слушает. Голосовой ввод превращает твою речь в текст запроса, а ответ приходит текстом. Озвучивать ответы и записывать голосовые за тебя LibraChat не умеет. Зато он хорошо делает то, на чём обычно и спотыкаются: пишет короткий текст, который потом легко наговорить самому.
Обе задачи я отдал LibraChat по-настоящему. Запрос в том виде, в каком его выдаёт голосовой ввод, без единой запятой, LibraChat понял с первого раза. А текст голосового бабушке на юбилей пришёл почти готовым, но с одной фразой, которую я бы не стал записывать.
Что отправлять нейросети: текст или голосовое?
Для LibraChat разницы почти нет: до нейросети в любом случае доходит текст. Поэтому выбирай то, что удобнее тебе сейчас: в дороге и с занятыми руками удобнее голос, в тихом офисе — клавиатура.
Важнее другое. Распознанная речь выглядит не так, как написанная. В ней нет запятых, есть «слушай», «короче», повторы. Я проверил, мешает ли это. Вот запрос в том виде, в каком его выдал бы голосовой ввод у человека, который торопится:
слушай мне надо записать голосовое начальнику что я завтра задержусь на час потому что везу сына в поликлинику помоги сформулировать чтобы было коротко и нормально без лишнего а то я начинаю мямлить
Ни одной точки, а LibraChat понял задачу целиком: что, кому, почему и каким тоном. Пришло три варианта. Первый, самый короткий:
«Доброе утро. Завтра задержусь примерно на час — везу сына в поликлинику. На связи буду, отработаю.»
И отдельный вариант на случай, если с начальником на «ты»:
«Привет. Завтра задержусь на час — сына в поликлинику везу. Потом сразу на работу.»
Заметь, что сделала последняя часть запроса, «а то я начинаю мямлить». Это не лишнее слово. Им я сказал, в чём моя настоящая трудность, и нейросеть ответила именно на неё: дала фразы, которые невозможно растянуть. Жалоба на себя в запросе работает как инструкция, и её не надо переводить на «канцелярский».
Что тут хорошо: фразы короткие, по одной мысли, их не надо учить, их можно сказать с первого раза. Что проверить: «отработаю» — обещание. Если отрабатывать час ты не собираешься, вычеркни это слово до записи.
Отсюда правило: подбирать слова для нейросети не нужно. Скажи, как сказал бы другу, но назови все факты — кому, что случилось, какой нужен тон.
Можно ли сгенерировать голосовое сообщение нейросетью?
В LibraChat — нет. Он не озвучивает ответы и не создаёт аудио. Если тебе нужен готовый звуковой файл с синтезированным голосом, для этого нужен отдельный сервис синтеза речи, и эта статья не о нём.
Бывает и обратная задача: тебе прислали длинное голосовое, а слушать его некогда. Аудиофайла среди того, что можно прикрепить к сообщению в LibraChat, нет. Если твой мессенджер умеет расшифровывать голосовые в текст, скопируй расшифровку и вставь её в LibraChat с просьбой «перескажи коротко, что от меня хотят» или «помоги ответить». Дальше работа с обычным текстом, и это LibraChat делает хорошо. Как устроена расшифровка записей, разобрано в статье про транскрибацию нейросетью.
Но посмотри, зачем обычно ищут «сгенерировать голосовое». Чаще всего человек не хочет, чтобы говорил робот. Он хочет не мямлить, уложиться в полминуты и не забыть главное. С этим LibraChat справляется: пишет текст под голос, а записываешь ты, своим голосом. Вот запрос, который можно взять за основу:
Напиши текст голосового сообщения бабушке на её 80-летие, чтобы я прочитал его вслух примерно за 30 секунд: тепло, без пафоса, вспомнить её пирожки с капустой и то, что она научила меня играть в шахматы. Короткие фразы, которые легко произносить.
Замени повод, возраст и две детали на свои, остальное подходит для любого поздравления голосом. Этот запрос можно вставить в LibraChat целиком или наговорить голосом своими словами.
Текст пришёл действительно под голос. Начинается коротко:
Бабушка, с восьмидесятилетием.
Потом одна деталь, раскрытая в несколько фраз:
И шахматы. Ты посадила меня напротив и показала, как ходит конь. Терпеливо, без спешки.
Предложения по три-пять слов, без придаточных, на которых сбиваешься вслух. Это и есть главное отличие текста для голосового от текста для письма.
Сколько слов нужно на голосовое сообщение в 30 секунд?
В ответе про бабушку 58 слов, если не считать вводной строки. Моя прикидка такая: при спокойном чтении с паузами это около полуминуты, но темп у всех разный. Поэтому я бы не верил ни нейросети, ни чужим нормам, а проверил секундомером: прочитай текст вслух один раз до записи. Вышло дольше — попроси сократить или вычеркни одну деталь сам.
Длинные голосовые слушают хуже, чем читают сообщения: их не пролистаешь глазами и не перечитаешь нужное место, приходится мотать запись назад. Если текст вышел на две минуты, подумай, не проще ли отправить его письмом, а голосом сказать только поздравление.
Что поправить в тексте перед записью?
Нейросеть знает только то, что ты ей написал, и иногда дописывает правдоподобное. В тексте для бабушки есть фраза, которой в запросе не было:
Ты ставила тарелку и говорила: ешь, пока тёплые.
Красиво, но это выдуманное воспоминание. Если бабушка такого не говорила, она услышит фальшь сразу. Перед записью я бы прошёлся по короткому списку:
нет ли воспоминаний и слов, которых ты не называл;
легко ли произнести каждую фразу с первого раза;
звучит ли текст твоим голосом, а не голосом диктора;
укладывается ли он во время, если прочитать вслух.
Выдуманную деталь замени настоящей. Помнишь, что бабушка всегда говорила за пирожками? Впиши это. Одна своя фраза сделает голосовое теплее, чем три красивых чужих.
Если голосовое — это ответ в долгой переписке, где важно держать тон, пригодится разбор про нейросеть для переписки.
Как наговорить запрос голосом в LibraChat?
Голосовой ввод в LibraChat есть и в браузере, и в приложениях для iPhone и Android. Порядок такой:
Открой новый чат, поле ввода должно быть пустым: только тогда кнопка справа работает как микрофон.
Нажми её один раз и говори.
Нажми второй раз: запись уйдёт на распознавание.
В браузере распознанный текст появится в поле, проверь его и отправь сам. В приложении сообщение уйдёт сразу.
Одна оговорка: в браузере в чате внутри проекта микрофона нет. Если кнопки не видно, открой обычный чат.
В браузере у тебя есть шанс поправить распознанное до отправки. Я бы этим пользовался для имён и цифр: любое распознавание речи может ошибиться в цифре, а нейросеть поверит тому, что ей пришло. Голосом удобнее всего диктовать то, что долго печатать: ситуацию с подробностями, список покупок на неделю, пересказ разговора с мастером. Говоришь как попало, с возвратами и «а, да, ещё», а LibraChat сам собирает это в порядок. Набирая то же самое на телефоне, половину деталей обычно опускаешь, просто чтобы не печатать.
Подробнее о том, как говорить с нейросетью, есть в статье про нейросеть голосом.
Нейросеть для голосовых сообщений на твоей задаче
Вспомни голосовое, которое ты давно откладываешь или каждый раз перезаписываешь: начальнику, родителям, в чат класса. Наговори LibraChat, кому оно, что случилось и каким тоном нужно, прямо так, как получится, без подготовки. Прочитай ответ вслух, вычеркни лишнее и запиши своим голосом.
нейросеть для голосовых сообщенийбыт и личноеголосовой вводголосовые сообщения
