Расшифровать десять минут разговора за пару секунд — звучит заманчиво. Прежде чем аплодировать, хочется посмотреть, что получилось в тексте.
Tether, компания, выпускающая стейблкоин USDT, представила модель распознавания речи QVAC TranscribePsy. Разработчики могут встроить её в свои приложения и обрабатывать записи прямо на устройстве, без отправки на чужой сервер.
Вот, собственно, что выпустили. В пресс-релизе к этому прилагаются человекоподобные роботы, умные очки и рассуждения о будущем частной жизни. Хранить разговоры у себя — полезная возможность. Но сама по себе она ничего не говорит о том, правильно ли программа запишет вашу фамилию.
Со скоростью понятно. А что с точностью?
Главный вопрос простой: сколько потом исправлять руками? На обычном созвоне люди глотают слова, перебивают друг друга, произносят редкие фамилии и специальные термины. Одна неправильно записанная сумма бывает важнее десяти потерянных запятых.
Результаты проверки точности у Tether есть. В тестах компании показатель ошибок распознавания слов для модели на 25 языков составил 8,02% на Open ASR и 21,56% на Common Voice. Эти цифры получены на разных наборах записей, поэтому напрямую сравнивать их нельзя.
Отмахиваться от этих результатов было бы нечестно. Но они ещё не показывают, сколько придётся править после вашего созвона из шумной кухни. Мы сами модель не тестировали. Если на исправления уходит больше времени, чем удалось сэкономить на расшифровке, рекорд скорости мало утешает.
Что не вошло в рекордные 1,65 секунды
Tether заявляет: модель расшифровывает десять минут аудио за 1,65 секунды на iPhone 17 Pro Max. В техническом описании есть оговорка: в эту цифру не входит запуск с подготовкой модели, который занимает ещё 12,7 секунды.
Ждать эти 12,7 секунды перед каждой записью не нужно. Заявленные 1,65 секунды — это время обработки, когда модель уже готова к работе. Название iPhone здесь тоже не для красоты: результат получен на конкретном телефоне, а не на любом устройстве из вашего кармана.
Распознавания прямо во время речи пока нет
На фоне разговоров о взаимодействии в реальном времени особенно интересно читать официальные пояснения: эта версия обрабатывает запись или отдельную реплику после её окончания. Распознавание, при котором текст появляется прямо во время речи, ещё разрабатывают.
Есть и ограничение по языкам: готовые версии для телефонов поддерживают восемь языков. Версия на 25 языков, включая русский, предназначена для компьютеров и серверов. Поэтому наличие русского языка в ней ещё не означает, что он доступен в готовой телефонной версии.
А теперь — обычный разговор
Попробовать есть что: модели можно скачать, записи обрабатываются на устройстве, результаты тестов опубликованы, в карточке модели указана лицензия Apache 2.0. Разработчикам дали настоящий инструмент. За это плюс.
Теперь хочется увидеть расшифровку обычного разговора с шумом и перебиваниями: что распозналось правильно, где появились ошибки и сколько времени ушло на правку. И рядом — результат другой программы на той же записи. Тогда станет понятно, сколько работы инструмент действительно экономит. Роботы пока подождут.