Голосовой ввод в браузере: что он умеет, а что нет
Как работает бесплатное распознавание речи в браузере, куда уходит звук с микрофона и какие привычки поднимают точность с 80 до 95%.
Печатаю я примерно 220 знаков в минуту, в хороший день. Говорю — втрое быстрее. Вся идея голосового ввода держится на этом разрыве, и поэтому Речь в текст стоит попробовать даже если с первого раза выйдет ерунда.
Распознавание живёт в Chrome с 25-й версии, то есть с 2013 года, под именем webkitSpeechRecognition. Прошло тринадцать лет, а Firefox так и не реализовал эту половину Web Speech API — там инструмент честно скажет, что работать не будет.
Черновик, а не готовый текст
Для вылизанной прозы диктовка не годится. Зато она отлично вытаскивает мысли из головы. Я диктую заметки после созвонов, первые версии писем, которые неприятно писать, и ту вязкую середину статьи, где уже понятно что сказать, но ещё не понятно как.
Получается грязно. Имена перевраны. «Белун» слышится как «бело он». Границы предложений расставлены странно. Всё это правится за пару минут — и это всё равно быстрее, чем набирать с нуля.
Где диктовка проваливается по-настоящему: код, числа, в которых нельзя ошибиться, и любой текст, который вы и вслух читали бы медленно, потому что ещё думаете. Распознаванию нужна законченная фраза. Если вы замолкаете на середине мысли, движок догадывается — и догадывается плохо.
Куда на самом деле уходит звук
Этот момент большинство «приватных браузерных» сервисов обходит молчанием, поэтому скажу прямо: на belun.app ничего не загружается, но Chrome и Edge распознают речь не на вашем компьютере. Они отправляют короткие фрагменты звука в речевые сервисы Google и Microsoft и получают обратно текст. Именно так точность получается приличной на странице в четыре мегабайта, без скачивания модели.
Safari на свежем железе Apple умеет распознавать прямо на устройстве. Если вы диктуете что-то действительно закрытое — медицинскую запись, неподписанный договор, — берите Safari или системную диктовку macOS, iOS, Windows. Для списка покупок это всё неважно.
Пунктуация — это словарь, а не кнопка
Сырой результат распознавания приходит вообще без знаков препинания. Голосовой ввод в Google Docs решил это голосовыми командами, и те же слова работают здесь, когда включена галочка пунктуации:
- «запятая», «точка», «вопросительный знак», «восклицательный знак»
- «двоеточие», «точка с запятой», «тире», «открыть кавычки», «закрыть кавычки»
- «новая строка» и «новый абзац»
Английские команды тоже понимаются: comma, period, new paragraph. Сказали слово — получили знак. Минус очевиден в первый же раз, когда нужно продиктовать фразу со словом «точка» внутри: для такого абзаца галочку лучше снять.
Четыре привычки, которые убирают большую часть ошибок
Выставьте язык до начала записи. Английская модель, слушающая русскую речь, выдаёт не акцент, а бессмыслицу. Это главная причина жалоб «голосовой ввод не работает».
Сядьте на расстоянии вытянутой руки от микрофона. Микрофон в крышке ноутбука с полуметра слышит комнату не хуже, чем вас.
Говорите целыми предложениями в обычном темпе. Медленная раздельная речь делает хуже, а не лучше: модель опирается на соседние слова, а при паузе после каждого ей не на что опереться.
Не боритесь с паузами. Движок браузера закрывает сессию через несколько секунд тишины, инструмент сам её перезапускает — можно спокойно замолчать и подумать.
Откройте Речь в текст, выберите язык и минуту поговорите о том, что делали вчера. За эту минуту станет ясно, приживётся ли диктовка в вашей работе.