Нам, копирайтерам, много не надо. Гугл Док. Поисковик. Диктофон. И какая-нибудь программка с миленьким интерфейсом, где на первом шаге ты загружаешь аудиофайл, на втором — жмёшь на кнопочку «Транскрибировать», на третьем — получаешь текст.

«Есть такое, есть!» — радостно говорит Гугл. И выдает список:

• Dragon Dictation,
  
• Speechpad,
  
• Speechlogger,
  
• Speechnotes,
  
• Listnote и прочие "speech" и "note".
  

Ты переходишь по первой ссылке, по второй, по третьей. И понимаешь: что-то тут не так. Как будто тебе снова 11 и ты просишь купить тебе джинсовые шорты, а тебе дают джинсы, и говорят: «Вот тут вот так отрежь — будет то же самое!». Мы же просили конвертер — загружаешь аудио, получаешь текст. А нам дают голосовой ввод. Это значит, нужно:

1. Включить микрофон.
2. Включить аудиозапись погромче и, желательно, в полной тишине.
3. Ждать, пока проиграется аудиозапись, и только тогда ты получишь текстовый файл.

А есть что-нибудь не для изолированных заключенных, а для копирайтеров scrum-студии, например? Когда слева от тебя фиксят баги, справа от тебя пишут код, сзади тебя разговаривают с клиентами. И лучше бы тебе никого не бесить своими аудиозаписями.

«И такое есть!» — снова радуется Гугл. Вот:

• Realspeaker,
  
• Vocalmatic.
  

Ок. Давайте попробуем.

Аудиозаписей у нас хоть отбавляй. У каждого копирайтера в диктофоне — сотни комментариев программистов, без сбора которых не пишется ни одна статья. Работа с текстом идет в три этапа.

Справедливости ради, отметим, что речь программистов — та еще задачка не только для искусственного интеллекта, но и для естественного человеческого. В одном предложении программист может употребить сразу штук 5 диких кодерских терминов и связать их друг с другом не менее дикими «мёржить», «бенчить», «матчить» и «фиксить».

Вот дословная транскрибация случайной аудиозаписи длительностью 36 секунд. Так дословно транскрибировать копирайтер никогда не будет — мы всегда по ходу чистим текст от всякой грязи. Но, если бы так могла сделать программа распознавания речи, это был бы вполне приемлемый вариант и годное подспорье для дальнейшей работы.

Эту самую аудиозапись длительностью 36 секунд автор этой статьи вручную транскрибировал 2 с половиной минуты. Получилось вот так:

Это уже чистенький вариант — не в том смысле, что он в таком виде пойдет в статью, а в том, что текст по ходу транскрибирования чистился от повторений, оговорок, слов-паразитов, уточняющих вопросов и всего того речевого мусора, которым, к чести программистов, страдают не только они. Это тот вид текста, который в идеале хотелось бы получить от программы распознавания голоса, чтобы не тратить потом ещё кучу времени на правки текста.

В подобном пламени безволья,
Как прежде, не мечтать не мог.
И в нем разбитая душа
В нем каждый видел взор над ним.

Эти пронзительные стихи написал Искусственный Интеллект. Когда-нибудь он будет писать статьи в блог Сибирикса. Но пока это делают белковые авторы. Чтобы развить не очень щедрые комментарии программистов, они что-то гуглят, что-то переспрашивают, что-то тыкают на сайте, чтобы разобраться самим, и в итоге получается как-то так:

Очень надеемся, что мы не получим сейчас что-то подобное от Искусственного Интеллекта, иначе нашей уязвленной гордости ничего не останется, как только написать всем PR-отделом заявления на увольнение.

Realspeaker и Vocalmatic очень похожи друг на друга. И там, и там — приятные интерфейсы (правда, у Realspeaker он все же чуть приятнее, потому что на русском).

Весь процесс конвертирования проходит в три этапа (как мы и мечтали в начале статьи).

Realspeaker поколдовал и выдал такой результат:

Попадания:
сама технология
<в> принципе
получается
Нормальн<ая>
<в> соответствии с этим меняется карта меняется
навигации

Vocalmatic недалеко ушел:

Попадания:
сама технология
<в> принципе
нормальн<ая>
<в> соответствии с этим меняется карта меняется блок навигации


Для чистоты эксперимента автор этой статьи закрылся в отдельной комнате в студии, где обычно проходит обучение сотрудников, и самостоятельно громко и четко в полной тишине записал тот же самый текст. И вот что получилось.

В первом случае обе программы пропустили огромные куски текста — Realspeaker из нераспознанных 51 слов попытался восстановить только 3 («я», «пацан», «по»), остальные просто пропустил. Vocalmatic — из того же количества нераспознанных слов попытался восстановить 4 («общается», «до», «работы», «потом»). Так как в задаче распознавания речи применяются рекуррентные нейронные сети, которые могут угадывать пропущенные элементы по контексту (как это делает человек), такое огромное количество просто пропущенного текста говорит о том, что все эти слова были восприняты как шум — печать принтера, мелодия на телефоне, топот, разговор по скайпу за соседним столом.

«Нормальная навигация» у Realspeaker превратилась в «нормального пацана» (хотя слово «навигация» он отлично знает и распознал его в конце текста). А «получается он нормальная навигация» у Vocalmatic превратилось в «нормально общается». Видимо, в том корпусе текстов, на базе которых обучаются данные нейронные сети, гораздо чаще встречаются сочетания слов «нормальный пацан» и «нормально общается» (может, они обучаются на архивах ФСИН?).

Удивительно, что программы не распознают предлоги: выдают «принципе», а не «в принципе», «соответствии», а не «в соответствии».


Получается, что качество распознавания текстов в обеих программах колеблется от 20% до 97%. Для высокого качества необходимо создать идеальные условия. Но, увы, брать комментарии в отдельной комнате не получится, потому что комментарий сопровождается показом на компьютере тех фичей, о которых идет речь. Просить программистов говорить громко и внятно бесполезно. Всех вокруг замолчать, не дышать и не шевелиться — тоже. Так что под наши реальные задачи программы все-таки пока не подходят, несмотря на все достижения в обучении рекуррентных нейронных сетей. Но если вы транскрибируете идеально записанные тексты, обе программы станут вам отличными помощниками.

Что касается стоимости удовольствия, Realspeaker транскрибирует аудиозаписи длительностью до 1,5 минут — бесплатно, более длительные аудиозаписи — из расчета 8 руб. в минуту. Vocalmatic предлагает почасовые пакеты — первые 25 минут — бесплатно, дополнительно: 1 час за 15 долларов, 3 часа — за 36 долларов, 5 часов — за 55 долларов и 10 часов за 99 долларов. При этом, за каждого приглашенного друга в Vocalmatic вы оба получаете еще по 15 бесплатных минут. Выбирайте!