Как повысить точность распознавания речи: 12 проверенных способов

Одна и та же модель может расшифровать часовое интервью почти без правок — и на соседней записи выдать текст, который проще перенабрать вручную. Разница обычно не в модели и не в сервисе, а в исходном аудио.

Причина в том, как работает распознавание речи: модель восстанавливает текст по тому сигналу, который до неё дошёл. Если голос тонет в шуме, перекрыт другой репликой или записан из другого конца комнаты, часть информации в файл просто не попала — и достроить её неоткуда.

Хорошая новость: большинство проблем решается на этапе записи и почти ничего не стоит. Плохая: то, что не записалось, обработкой не восстанавливается. Поэтому дальше — сначала приоритеты, потом 12 конкретных способов, и отдельно честный разбор, что поправимо после записи, а что нет.

Что сильнее всего влияет на точность распознавания речи

Факторы влияют неравнозначно, и полезно понимать порядок приоритетов — иначе легко потратить время на второстепенное. Основные:

• Разборчивость голоса — темп, дикция, громкость, законченность фраз.
• Соотношение речи и фонового шума — не абсолютная громкость шума, а то, насколько он близок по уровню к голосу.
• Расстояние до микрофона — определяет, чего в записи больше: говорящего или помещения.
• Эхо и акустика помещения — отражения размывают границы слов.
• Одновременная речь — самая сложная ситуация и для текста, и для разделения спикеров.
• Качество канала связи — сжатие, обрывы и шумоподавление в телефонии и мессенджерах.
• Редкие имена, названия и термины — они встречаются в данных реже и легко подменяются похожими.
• Переключение между языками — фрагменты на другом языке внутри русской речи распознаются хуже.

1. Записывайте речь в тихом помещении

Первое, что стоит сделать перед важной записью, — выбрать место потише. Это дешевле любого оборудования и даёт больший прирост качества.

Шум мешает по-разному. Постоянный — вентиляция, кондиционер, гул трассы, шум компьютера — модель переносит относительно спокойно: он однородный и предсказуемый. Переменный — хлопки дверей, посуда, клавиатура, музыка, разговоры рядом — опаснее: он совпадает по частотам с речью и маскирует отдельные звуки. Хуже всего чужая речь на фоне: модель получает сразу несколько речеподобных сигналов и не всегда понимает, какой из них расшифровывать.

Человек в такой ситуации выигрывает за счёт того, что видит собеседника, знает контекст разговора и может переспросить. Модель работает только со звуковой дорожкой, поэтому фон, который вы почти не замечаете, для неё бывает существенным.

Что сделать

Это не значит, что любая помеха испортит расшифровку. Современные модели неплохо справляются с умеренным фоном, если голос остаётся отчётливым и заметно громче окружения. Опасен не сам шум, а ситуация, когда он подбирается к уровню речи.

2. Располагайте микрофон ближе к говорящему

Расстояние до микрофона влияет на результат сильнее, чем класс оборудования. Смартфон в 30 сантиметрах от говорящего почти всегда даст лучшую расшифровку, чем хороший микрофон в трёх метрах.

Отсюда типичная ошибка на совещаниях: телефон кладут в центр длинного стола. Он одинаково хорошо слышит проектор, кондиционер и шаги в коридоре — и одинаково плохо тех, кто сидит по краям. Результат: часть реплик распознаётся, часть превращается в набор приблизительных слов.

Обратная крайность тоже вредна. Микрофон вплотную ко рту ловит дыхание, взрывные согласные («п», «б») и может перегружаться на громких слогах. Точных сантиметров тут нет: правильное расстояние зависит от устройства, голоса и помещения, поэтому надёжнее сделать короткий тест, чем следовать цифре из инструкции.

3. Следите за уровнем громкости и не допускайте перегрузки

Здесь две противоположные проблемы, и они по-разному поправимы.

Слишком тихая запись — голос на уровне фонового шума. Такой файл можно усилить, но вместе с речью усилится и всё остальное: соотношение сигнал/шум не улучшится, а на слух станет только заметнее.

Слишком громкий сигнал — пики упираются в предел, и верхушки волны срезаются. Это называется клиппингом. Срезанная часть сигнала не хранится в файле нигде, поэтому восстановить её нельзя: остаётся характерный треск и «квадратный» звук, на котором распознавание ошибается даже при формально громкой записи.

Что сделать

• Перед записью проверьте индикатор уровня, если он есть: пики должны быть заметными, но не упираться в верх шкалы.
• Оставляйте запас: люди говорят громче, когда увлекаются или отвечают на вопрос.
• Если участники говорят с разной громкостью, ориентируйтесь на самого громкого — тихого потом можно усилить, а перегруженного не спасти.
• Не включайте автоматическую регулировку усиления там, где ей можно управлять: она подтягивает громкость в паузах и вместе с ней поднимает шум.

4. Не позволяйте участникам говорить одновременно

Перекрывающиеся реплики — самая сложная для автоматической расшифровки ситуация. Проблем сразу две: распознать слова в смеси голосов и правильно приписать реплики спикерам.

Когда двое говорят одновременно и оба пишутся в один микрофон, в файле не два сигнала, а один — их сумма. Разделить его обратно можно лишь приблизительно. Если при этом один голос громче (ближе к микрофону, эмоциональнее), он частично маскирует второй, и тихая реплика теряется целиком.

Что сделать

• Договоритесь в начале: не перебивать, дослушивать фразу до конца. Одной просьбы обычно достаточно — неестественных пауз не потребуется.
• На созвонах просите участников выключать микрофон, когда они не говорят: это убирает и наложения, и их фоновый шум.
• В интервью держите короткую паузу перед своим вопросом: она же облегчит потом монтаж.
• Если есть возможность, пишите каждого участника отдельно — см. способ 7.

Важно понимать границы: даже на хорошей записи разделение по ролям не бывает идеальным. Похожие голоса, короткие поддакивания и реплики на стыке — типичные места, где спикера придётся поправить вручную.

5. Уменьшайте эхо и отражения звука

Эхо — это не посторонний звук, а копии самой речи, пришедшие в микрофон чуть позже, отразившись от стен, стекла и потолка. Поэтому оно опаснее обычного шума: его нельзя «вычесть», не задев голос.

Отражения накладываются на следующие звуки и смазывают границы между словами. Первым страдает разборчивость согласных — а именно по ним различаются похожие слова и окончания.

Что сделать

• Выбирайте помещение с мебелью, шторами, ковром и книгами вместо пустой переговорной или кухни с плиткой.
• Подойдите ближе к микрофону: это самый действенный способ выиграть у эха.
• Не ставьте устройство вплотную к стене, стеклу или столешнице — отражение придёт сразу за прямым звуком.
• Избегайте записи через громкую связь: динамик отдаёт звук в тот же микрофон, добавляя ещё один слой отражений.
• В крайнем случае помогает импровизация: занавеска, куртка на спинке стула или открытый шкаф с одеждой заметно снижают отражения.

6. Используйте подходящий микрофон, но не гонитесь за дорогим

Хороший внешний микрофон помогает, но не является обязательным условием точной расшифровки. Встроенного микрофона современного смартфона обычно достаточно, если он находится рядом с говорящим и в помещении не шумно.

Работает простое правило: расположение важнее класса устройства. Дорогой микрофон в трёх метрах от говорящего проиграет обычному смартфону в тридцати сантиметрах. Сначала стоит разобраться с дистанцией, помещением и одновременной речью, и только потом думать про оборудование.

7. Записывайте участников на отдельные дорожки, когда это возможно

Если каждый участник пишется в свой канал, задача разделения голосов решается не алгоритмом, а самой записью — и решается точно.

• Реплики уже разложены по говорящим: ошибиться в том, кто что сказал, практически невозможно.
• Громкость каждого участника регулируется отдельно, тихий не теряется на фоне громкого.
• Шум одного канала (улица за окном у одного из собеседников) не портит остальные.
• Наложение реплик перестаёт быть фатальным: голоса записаны раздельно, даже если звучали одновременно.

Отдельные дорожки умеют писать студийные интерфейсы, программы для подкастов и часть платформ для созвонов. Если такая функция есть — включайте её для важных записей.

Для повседневных задач это не обязательно: голосовая заметка, короткий звонок или разговор один на один прекрасно расшифровываются и с одного микрофона. Отдельные дорожки — инструмент для случаев, где цена ошибки высока.

8. Учитывайте ограничения телефонной связи и онлайн-звонков

Запись разговора почти никогда не равна записи голоса. Между говорящим и файлом стоит цепочка обработки, и каждое звено что-то отнимает.

Телефонный канал вдобавок ограничен по частотам: верхняя часть спектра, где различаются шипящие и свистящие согласные, в нём просто отсутствует. Именно поэтому в телефонных расшифровках чаще путаются похожие слова и окончания, даже когда связь субъективно хорошая.

Отдельная проблема — агрессивное шумоподавление в мессенджерах и приложениях для встреч. Оно рассчитано на живой разговор, где важна разборчивость «здесь и сейчас», и в паузах может вырезать тихую речь целиком.

Что сделать

• Проверьте стабильность соединения до начала: обрывы дают выпавшие куски, которых в файле не будет вообще.
• Наденьте гарнитуру — микрофон окажется рядом со ртом, а эхоподавлению будет меньше работы.
• Не включайте громкую связь без необходимости: она добавляет и эхо, и отражения помещения.
• Если платформа умеет записывать встречу сама, сравните её файл с записью через внешнюю программу и выберите то, что звучит разборчивее.
• Перед важным разговором сделайте короткий тестовый звонок и послушайте, как записался ваш голос.

9. Убирайте музыку и звуки, перекрывающие речь

Музыка мешает не вся одинаково. Тихая инструментальная подложка обычно почти не влияет на результат. Проблемы начинаются, когда музыка приближается по громкости к речи или содержит вокал.

Вокал — худший случай: модель получает сразу два речеподобных сигнала и пытается расшифровать оба. В расшифровку попадают обрывки песни вперемешку с репликами, а на музыкальных вставках без речи модель может дописать фразу, которой не было, — это отдельное явление, галлюцинации моделей распознавания.

Что сделать

• Для видео, подкастов и вебинаров используйте исходную голосовую дорожку без музыки, если она сохранилась при монтаже: это лучший вариант из всех.
• На мероприятиях просите приглушить фоновую музыку на время интервью — обычно этого достаточно.
• Заставки, аплодисменты и звуковые эффекты лучше вырезать до загрузки: они не несут текста, но занимают минуты и провоцируют лишние строки.
• Если музыка вшита в дорожку намертво, попытка «вычистить» её обычно портит и голос. Реалистичнее принять более низкое качество на этих фрагментах и проверить их вручную.

10. Правильно обрабатывайте запись перед загрузкой

Обработка полезна, но её возможности ограничены: она перераспределяет то, что уже есть в файле, и не добавляет информацию, которой в нём нет. Поэтому базовые операции помогают, а агрессивная чистка чаще вредит.

Сервис принимает распространённые форматы напрямую — от MP3 и WAV до видеофайлов, из которых звуковая дорожка извлекается автоматически. Специально конвертировать запись перед загрузкой не нужно.

11. Помогайте модели с именами, терминами и языками

Даже на отличной записи модель чаще всего ошибается в одном и том же: фамилии, названия компаний и продуктов, адреса, аббревиатуры, узкие термины и иностранные вкрапления.

Причина не в качестве звука. Распознавание опирается не только на акустику, но и на статистику языка: из похожих по звучанию вариантов выбирается более вероятный. Редкая фамилия встречалась модели гораздо реже, чем обычное слово, — поэтому «Соколовский» может стать «Соколовым», а название препарата — похожим по звучанию бытовым словом.

Что сделать

• Произносите редкие названия отчётливее и чуть медленнее, особенно при первом упоминании.
• Старайтесь, чтобы в этот момент никто не говорил параллельно: имя, попавшее в наложение, почти наверняка будет искажено.
• В сервисе заполните глоссарий в профиле — до 500 символов, имена и термины через запятую. Он передаётся модели как подсказка и применяется ко всем новым задачам. Это не гарантия правильного написания, но заметная помощь.
• Сверяйте написание имён и названий по документам и официальным источникам, а не по расшифровке.
• Если в записи есть фрагменты на другом языке, помните: автоопределение выбирает один основной язык. Отдельные иностранные вставки могут быть переданы приблизительно — см. поддерживаемые языки.

12. Проверяйте расшифровку с учётом назначения текста

Точность — это не только доля правильно распознанных слов. Важнее, какие именно слова оказались неверными и куда пойдёт текст. Ошибка в вводном слове ничего не меняет, ошибка в сумме договора меняет всё.

Что проверять в первую очередь независимо от сценария: имена и фамилии, названия организаций, цифры и суммы, даты и время, адреса, номера документов, медицинские показатели, юридические формулировки, профессиональные термины и цитаты, которые пойдут в публикацию.

И принципиальное ограничение: автоматическая расшифровка — это рабочий текст, а не юридически заверенная стенограмма. Там, где нужен документ с процессуальной силой, требуется человек и соответствующая процедура.

Что можно исправить после записи, а что нельзя

Обработка звука часто воспринимается как универсальное решение: «загрузим в редактор и почистим». Полезно заранее понимать, где эта логика работает, а где нет.

Какие записи обычно распознаются точнее

Сценарии удобно сравнивать качественно: у каждого свой типичный набор сложностей. Конкретный результат всё равно зависит от вашей записи, поэтому процентов точности здесь нет.

Как условия записи меняют результат: примеры

Ниже — типичные ситуации и характер ошибок, к которым они приводят. Это условные примеры: они собраны из распространённых случаев, а не получены в одном измерении. Процентов улучшения мы не приводим — на коротком тесте такие цифры некорректны.

Миф или правда

Чек-лист перед загрузкой записи

Короткая версия всего перечисленного — её можно скопировать и держать под рукой перед важной записью.

Что в итоге

Точность автоматической расшифровки почти всегда определяется на этапе записи. Модель работает с тем сигналом, который до неё дошёл: разборчивый голос она превращает в текст с единичными правками, а смесь голосов и шума — в приблизительный пересказ.

Если из всего списка выбирать главное, то это три вещи: микрофон ближе к говорящему, отсутствие одновременной речи и тихое помещение. Они дают наибольший прирост и не требуют ни денег, ни специальных навыков.

Остальное — уточнения. Обработка помогает в узких случаях, формат файла в обычных условиях почти не важен, а имена и числа проверяются вручную независимо от того, насколько хороша запись. Как устроен сервис и что можно поправить уже в готовом тексте — в руководстве пользователя.