Распознавание и синтез речи: что уже работает

Короткий ответ: распознавание речи достигло уровня, когда расшифровка встречи экономит время, а голосовой робот в поддержке — почти всегда раздражает. Разница не в технологии, а в цене одной ошибки.

Расшифровка: неверное слово читатель поправит по контексту. Робот: неверно понятое слово ведёт разговор не туда, и клиент повторяет попытку, повышая голос.

Где ошибки живут

Современное распознавание отлично справляется с обычной речью и плохо — с тем, ради чего часто и затевается.

Имена и фамилии. Особенно нечастые. Модель подставит похожее и распространённое.

Термины и сокращения. Внутренние обозначения, названия продуктов, профессиональный жаргон.

Числа. Суммы, даты, номера договоров. Самая дорогая категория: «двести пятьдесят» и «двести пятнадцать» отличаются одним звуком.

Речь нескольких людей разом. Перебивания, наложения — обычное дело на совещании.

Закономерность общая: ошибки скапливаются в редком, потому что модель предсказывает вероятное. Ровно там, где точность важнее всего.

Что реально экономит

Расшифровка встреч и звонков. Час разговора превращается в текст за минуты, дальше модель делает выжимку и список решений. Проверка дешёвая: участник просматривает и правит. Это лучший сценарий из всех.

Поиск по архиву записей. Звонки перестают быть чёрным ящиком: по ним можно искать. Даже с ошибками в распознавании поиск работает — редкое слово найдётся по соседним.

Диктовка вместо набора. Личная экономия, но заметная: речь быстрее печати в разы, а правка дешевле набора.

Озвучка текста. Инструкции, оповещения, доступность интерфейса. Синтез давно перестал быть роботизированным, и на служебных текстах разница с диктором почти не слышна.

Что почти всегда разочаровывает

Голосовой робот в поддержке. Складываются две ошибки: распознавание не поняло слово, модель достроила смысл. Клиент оказывается в разговоре, где его не слышат, и это раздражает сильнее, чем ожидание оператора.

Если всё же делать — обязателен выход к человеку в один шаг, по первому же слову, а не после трёх кругов уточнений.

Распознавание с диктофона в шумном помещении. Качество записи решает больше, чем модель: петличка за две тысячи даёт лучший результат, чем смена распознавателя.

Автоматические протоколы без правки. Выжимка встречи, отправленная участникам без проверки, рано или поздно содержит решение, которого не принимали. Цена такой ошибки — не минуты, а испорченная договорённость.

Что помогает

Словарь своих терминов. Большинство систем позволяют передать список имён, названий и сокращений. Это самый дешёвый рычаг: закрывает главную категорию ошибок почти целиком.

Разметка говорящих. Кто что сказал — половина ценности протокола.

Числа — под отдельную проверку. Автоматически подсвечивать в расшифровке всё, что похоже на сумму, дату или номер, чтобы человек глянул именно туда.

Пустое значение вместо догадки. Если модель делает выжимку и не уверена в пункте — лучше пометка «неразборчиво», чем правдоподобная формулировка: это не сбой, а режим по умолчанию.

Про персональные данные

Запись голоса — это персональные данные, а часто и биометрия, к которой требования строже. Расшифровка звонков клиентов, отправленная в зарубежный сервис, — трансграничная передача, и решать это надо до запуска, а не после: что нельзя отправлять наружу.

Отдельно: участников встречи положено уведомить о записи. Это не только юридическое требование, но и вопрос доверия внутри команды.

Условие несогласия

Если звонков мало, а встречи короткие, расшифровка не окупится: правка текста займёт столько же, сколько заняли бы заметки по ходу.

Порог примерно там, где записей становится больше, чем кто-либо успевает слушать. Тогда даже несовершенная расшифровка выигрывает у нулевой альтернативы: искать по тексту с ошибками лучше, чем не искать вовсе.

Чего я делать не стал бы

Не стал бы вкладываться в выбор модели раньше, чем в качество записи. Микрофон и тишина дают больший прирост, чем смена распознавателя.

Не стал бы рассылать автоматические протоколы без человека в цепочке. Один выдуманный пункт стоит дороже, чем вся экономия за квартал.

Не стал бы строить голосового робота как первый ИИ-проект. Это та самая четвёртая задача: дорогая ошибка плюс медленная обратная связь.

Открытый вопрос

Расшифровка даёт текст, но не даёт главного — что на встрече решили. Модель уверенно перечислит темы и почти всегда ошибётся в том, какая фраза была решением, а какая размышлением вслух: в речи это различается интонацией и контекстом, которых в тексте нет.

Пока лучшее, что я нашёл, — просить в конце встречи проговорить решения вслух отдельным списком. Приём работает, но он про дисциплину людей, а не про технологию.