Нейросеть для распознавания голоса: диктуем правки
Нейросеть для распознавания голоса превращает диктовку в текст. Разбираем, как передать короткие правки, проверить отрицания и не смешать ввод с редактурой.
Евгений
Дизайнер-партнёр LibraChat
6 мин чтения
«Не уменьшать заголовок» и «уменьшать заголовок» отличаются одним коротким словом, а результат для афиши получится противоположным. Поэтому нейросеть для распознавания голоса я оцениваю по сохранению условий, а не по тому, насколько гладко выглядит длинный текст. Когда стоишь у макета на площадке, удобно проговорить замечания. Но прежде чем отдавать их дальше, мне нужно увидеть, какие именно действия зафиксированы.
Я раньше старался надиктовать весь бриф одним заходом: говорил о заголовке, затем о фотографии, возвращался к заголовку и вспоминал размер подвала. Получался разговор с самим собой. Теперь отделяю короткую диктовку от последующей редакторской работы. Сначала принимаю текст услышанного, потом решаю, как превратить его в понятный список для дизайнера.
Нейросеть для распознавания голоса: что считать результатом
Здесь я говорю о преобразовании речи с микрофона в текст. Это отличается от озвучивания ответа и от установления личности по голосу. Если нужна расшифровка готовой аудиозаписи, отдельно проверь поддержку загрузки такого файла. Наличие кнопки микрофона само по себе не подтверждает эту возможность.
В LibraChat есть голосовой ввод. Свою короткую диктовку я начинаю при пустом поле сообщения: справа тогда доступна кнопка микрофона. Нажатие запускает запись; когда замечание закончено, повторное нажатие завершает её и запускает распознавание. Для браузерной работы у меня есть промежуточная остановка: текст диктовки оказывается в редактируемом поле, а отправляю я его отдельно. Мобильный вариант ведёт себя иначе: сам переводит завершённую диктовку в отправленное сообщение. Я учитываю эту разницу, когда выбираю, где собирать важный список замечаний.
Для афиши мне удобнее иметь этап просмотра до отправки. Не потому, что диктовка обязана ошибиться, а потому, что в моих правках есть похожие названия и важные отрицания. На телефоне я делаю фрагменты короче и внимательнее смотрю на уже отправленное сообщение. Голосового разговора с озвученными ответами этот способ не обещает.
Я собрал для себя три уровня проверки. Они помогают не принимать грамотную фразу за точную запись условия.
Что проверяю · Где может спрятаться проблема · Что делаю
Само слово — Необычное название элемента заменилось знакомым — Сверяю название с макетом
Условие действия — Потерялось отрицание или уточнение «только» — Перечитываю глагол вместе с ограничением
Адресат правки — Непонятно, к заголовку или подписи относится размер — Называю элемент в каждом пункте
Распознать слова и понять, какую область макета они меняют, — две разные задачи. Вторая требует моего контекста. Если я сказал «сделай этот ниже», в тексте не появится понятный предмет только благодаря аккуратной пунктуации.
Длинная диктовка маскирует противоречие
Я пробовал формулировать замечания так, как обсуждал бы их с коллегой рядом с экраном. Много указательных слов, возвращение к предыдущей мысли, жесты рукой. Для текста это плохой исходник. Фразы «вот здесь» и «как было раньше» ссылаются на то, чего в сообщении может вообще не быть.
Теперь один фрагмент у меня обычно укладывается в 20 секунд. Это мой рабочий ориентир длины, а не обещание скорости сервиса. Если не помещается, я, скорее всего, уже смешал несколько отдельных решений. У длинной правки появляется слишком много мест, где придётся вспомнить, к чему относится уточнение.
Для диктовки я меняю привычную устную манеру:
Сначала называю элемент: заголовок, фотография, строка с адресом.
Затем действие: поднять, заменить, оставить прежним.
После этого ограничение: без изменения размера или только в выбранной версии.
Новую мысль начинаю с названия следующего элемента.
Это не запрос на литературный текст. Мне нужна запись решений. Если я ещё выбираю между двумя вариантами, отмечаю именно выбор, а не произношу оба поручения подряд. Иначе следующий человек получит список, в котором сначала нужно уменьшить картинку, а через строку вернуть её прежний масштаб.
Я проверил бы такой список по одному простому вопросу: можно ли выполнить каждый пункт, не задавая вопрос «что именно ты имел в виду»? Неясный пункт я уточняю сам. Просить модель догадаться, на какую строку я показывал пальцем, было бы странно.
Редактура начинается после проверки услышанного
У аккуратной редакторской обработки есть неприятное свойство: она может сделать ошибочную запись убедительнее. Условия будут красиво разложены по пунктам, хотя исходное «не менять» превратилось в другое действие. Поэтому я не соединяю распознавание и окончательное оформление в одну невидимую операцию.
Сначала перечитываю зафиксированные слова, сопоставляя их с макетом. Потом прошу убрать повторы или разделить действия. После этого снова смотрю на отрицания и числа. Так видно, на каком этапе возникло расхождение: при диктовке либо при упорядочивании текста.
Для своей афиши я особенно внимательно проверяю размеры, время мероприятия и написание имён, если они есть в согласованном макете. Узнаваемость фамилии для меня не означает, что система обязана её знать. Необычное слово проще набрать отдельно, чем многократно повторять весь абзац громче.
Когда диктовка заканчивается, я прохожу такой порядок:
Найти все действия с отрицанием и прочитать их вслух самому себе.
Сопоставить каждое число с утверждённым макетом.
Удалить отменённые варианты решения, если они попали в поток речи.
Только затем передавать список на редактуру или исполнение.
Если не требуется очередное литературное улучшение, я на этом останавливаюсь. Короткий перечень точных поручений полезнее гладкого абзаца, из которого трудно выделить отдельную правку. Мой критерий завершения — возможность выполнить список, а не приятная интонация текста.
Если микрофон не записывает, сначала проверь доступ
Для сайта в браузере требуется разрешение на микрофон. В официальной справке Chrome описаны разрешения конкретного сайта и выбор устройства по умолчанию. Если запись не начинается, я сначала смотрю, не запрещён ли доступ и тот ли микрофон выбран. Проблема может находиться до этапа распознавания.
В Chrome нужные параметры находятся в настройках конфиденциальности и безопасности, затем в настройках сайта и разделе микрофона. Не нужно менять доступ для всех сайтов ради одной диктовки. На рабочем устройстве возможность изменить эти параметры может зависеть от администратора. Настройки принудительно обходить я не предлагаю.
Открой чат LibraChat и начни с одного короткого замечания к собственному тексту или макету. До отправки проверь нужный режим и особенности выбранной платформы, а возможности доступа сравни с тарифами. Для смежных задач есть материал о голосовых сообщениях.
Я бы взял для первой проверки фразу с одним ограничением: что-то изменить, а соседний элемент сохранить. После записи посмотри именно на это ограничение. Если оно осталось на месте, переходи к следующей правке. Если потерялось, уточни одно предложение, пока ошибка ещё не превратилась в уверенно оформленное задание.