Dziesięciominutowe nagranie zamienione w tekst w kilka sekund — to brzmi użytecznie. Zanim jednak zaczniemy bić brawo, chcielibyśmy przeczytać wynik.

Tether, firma stojąca za stablecoinem USDT, udostępniła model rozpoznawania mowy o nazwie QVAC TranscribePsy. Programiści mogą budować na jego podstawie aplikacje, które przetwarzają nagrania na urządzeniu, bez wysyłania dźwięku na zdalny serwer.

Odłóżmy na bok inteligentne okulary, humanoidalne roboty i wielkie obietnice dotyczące prywatności. Zostaje program, który przepisuje nagrania na twoim urządzeniu. Niewysyłanie rozmów na cudzy serwer to realna korzyść. Nie mówi jednak nic o tym, jak dokładny będzie zapis.

Szybkość to dopiero połowa historii

Liczy się to, ile trzeba będzie poprawić. Prawdziwe spotkanie rzadko trzyma się zgrabnego scenariusza. Ludzie mamroczą, wchodzą sobie w słowo i wymieniają nieznane nazwiska. Jedna błędna liczba może mieć większe znaczenie niż dziesięć brakujących przecinków.

Tether publikuje wyniki dotyczące dokładności. W testach firmy model obsługujący 25 języków osiąga współczynnik błędów słów (WER) na poziomie 8,02% na Open ASR i 21,56% na Common Voice. Wyniki pochodzą z różnych zbiorów danych, więc nie należy traktować ich jak równoważnych miar dokładności.

Te liczby zasługują na uwagę. Nie mówią jednak, ile poprawek będzie wymagał zapis twojego następnego spotkania. Nie przeprowadziliśmy niezależnych testów modelu. Jeśli tekst wymaga gruntownej korekty, szybsze przetwarzanie pozwoli ci po prostu wcześniej zabrać się do tej pracy.

A co z wynikiem 1,65 sekundy?

Według Tethera model przepisuje dziesięć minut nagrania w 1,65 sekundy na iPhonie 17 Pro Max. Dokumentacja techniczna zawiera ważne zastrzeżenie: ten wynik nie obejmuje 12,7 sekundy zimnego startu, podczas którego model jest przygotowywany do pracy.

To opóźnienie nie występuje przy każdym nagraniu. Wynik 1,65 sekundy opisuje przetwarzanie po przygotowaniu modelu, a nie całe oczekiwanie od uruchomienia go od zera. Dotyczy też konkretnego telefonu. Nie jest obietnicą dla każdego urządzenia.

Transkrypcji na żywo jeszcze nie ma

Mimo opowieści o interakcji w czasie rzeczywistym oficjalne techniczne FAQ podaje, że ta wersja przetwarza nagranie lub wypowiedź dopiero po ich zakończeniu. Rozpoznawanie mowy na bieżąco jest wciąż w przygotowaniu.

Gotowe wersje na telefony obsługują osiem języków. Wydanie obsługujące 25 języków, w tym rosyjski, to osobna wersja dla komputerów i serwerów. Szersza lista języków nie dotyczy dostępnych wersji mobilnych.

Teraz sprawdźmy prawdziwą rozmowę

Jest tu coś wartego wypróbowania: modele do pobrania, przetwarzanie lokalne, opublikowane wyniki testów i licencja Apache 2.0 wskazana w karcie modelu. Programiści dostali prawdziwe oprogramowanie, z którym mogą pracować.

Teraz pora na rozmowę z hałasem w tle i ludźmi, którzy sobie przerywają. Niech Tether opublikuje transkrypcję, policzy poprawki i porówna wynik z istniejącym narzędziem na tym samym nagraniu. Program do zamiany mowy na tekst ma oszczędzać pracę. Roboty mogą poczekać.