Přepsat deset minut hovoru za pár sekund zní lákavě. Než začneme tleskat, rádi bychom si ten přepis přečetli.

Firma Tether, která vydává stablecoin USDT, představila model rozpoznávání řeči QVAC TranscribePsy. Vývojáři ho mohou zabudovat do svých aplikací a zpracovávat nahrávky přímo v zařízení, bez odesílání zvuku na cizí server.

To je v zásadě celé oznámení. Tisková zpráva k němu přibaluje humanoidní roboty, chytré brýle a úvahy o budoucnosti soukromí. Uchovávat nahrávky ve vlastním zařízení je užitečné. Samo o sobě to ale nic neříká o tom, jestli program správně napíše vaše příjmení.

Rychlost známe. A co přesnost?

Hlavní otázka je jednoduchá: kolik toho pak budete opravovat ručně? Při běžném hovoru lidé polykají slova, skáčou si do řeči a používají neobvyklá jména i odborné výrazy. Jedna špatně zapsaná částka může být důležitější než deset chybějících čárek.

Výsledky měření přesnosti Tether zveřejnil. V testech firmy dosáhl model pro 25 jazyků chybovosti rozpoznávání slov 8,02 % na Open ASR a 21,56 % na Common Voice. Jde o různé soubory nahrávek, takže tato čísla nelze přímo porovnávat.

Odmávnout ty výsledky by nebylo fér. Zatím ale neukazují, kolik oprav vás čeká po hovoru z hlučné kuchyně. Model jsme sami netestovali. Pokud opravami strávíte víc času, než jste ušetřili přepisem, rychlostní rekord vás moc neutěší.

Co se do rekordních 1,65 sekundy nevešlo

Tether tvrdí, že model přepíše deset minut zvuku za 1,65 sekundy na iPhonu 17 Pro Max. V technické dokumentaci je ovšem upřesnění: uvedený čas nezahrnuje spuštění a přípravu modelu. Ty zaberou dalších 12,7 sekundy.

Těch 12,7 sekundy nemusíte čekat před každou nahrávkou. Uváděných 1,65 sekundy je doba zpracování, když už je model připravený. Ani název iPhonu tu není pro parádu: výsledek naměřili na konkrétním telefonu, ne na libovolném zařízení ve vaší kapse.

Přepis během mluvení zatím chybí

Vedle řečí o komunikaci v reálném čase stojí za přečtení oficiální vysvětlení: tato verze zpracuje nahrávku nebo promluvu až po jejím skončení. Rozpoznávání, při kterém text přibývá už během řeči, je stále ve vývoji.

Omezení se týká i jazyků: hotové verze pro telefony jich podporují osm. Verze pro 25 jazyků, včetně ruštiny, je určena počítačům a serverům. To, že v ní daný jazyk najdete, tedy ještě neznamená, že ho umí dostupná verze pro telefon.

A teď obyčejný rozhovor

Je co vyzkoušet: modely se dají stáhnout, nahrávky se zpracovávají přímo v zařízení, výsledky testů jsou veřejné a karta modelu uvádí licenci Apache 2.0. Vývojáři dostali skutečný nástroj. Za to bod.

Teď bychom rádi viděli přepis obyčejného rozhovoru v hluku, při němž si lidé skáčou do řeči: co se povedlo, kde vznikly chyby a kolik času zabraly opravy. A vedle něj výsledek jiného programu na stejné nahrávce. Pak bude jasné, kolik práce nástroj skutečně ušetří. Roboti zatím počkají.