Защо английските думи объркват разпознаването

Слушайте пет минути от коя да е среща в софтуерна, маркетингова или финансова фирма в България и ще чуете нещо такова: „Мартин, дай ми deadline-а за feedback-а от Аргус, че трябва да го сложа в timeline-а.“ Три английски думи, три български окончания, едно напълно нормално изречение. За човек в стаята няма нищо странно. За система за разпознаване на реч, настроена на „български“, това са три места, на които може да сгреши.

Какво точно се чупи

Системите за разпознаване на реч работят с езиков модел: очакват, че след определени звуци идват определени думи. Модел за български очаква български думи. Когато чуе „дедлайн“, има три възможности и всяка е лоша по свой начин:

• Транслитерация. Записва „дедлайна“ на кирилица. Четимо, но търсенето по „deadline“ после не го намира, а в записки към клиент изглежда небрежно.
• Близка българска дума. Записва нещо, което звучи подобно и съществува в речника му. Това е най-опасният вариант, защото изречението остава граматично и грешката не се вижда.
• Празно място. Пропуска думата или я маркира като неразбрана. Честно, но безполезно.

Окончанията правят нещата по-трудни. „Deadline-а“, „deadline-ът“, „deadline-и“ са различни звукови форми на една дума, и моделът трябва да разбере, че коренът е английски, а окончанието е българско. Стандартните модели не са обучени на това. Обучени са или на английски, или на български, и смесеното изречение попада между двата.

Защо „автоматично разпознаване на езика“ не решава проблема

Много инструменти обещават да разпознаят езика сами. Това работи добре, когато цялата среща е на един език. При смесена реч автоматичното разпознаване обикновено взема решение за целия сегмент, понякога за цялата среща: „това е български“. След което английските думи се обработват с българския модел, и сме там, откъдето започнахме. По-лошият случай е, когато решението се обръща на всеки няколко секунди и половината българска реч минава през английския модел.

Какво прави Minuvo

Всяка среща в Minuvo се обработва като българска, с английски като втори език, подаден изрично на разпознаването. Не „открий сам“, а „това е български офис, в който се говори и английски“. Разликата е, че моделът очаква английски думи вътре в български изречения и не ги третира като шум. Среща, водена изцяло на друг език, не е за Minuvo, и това е съзнателен избор: продуктът е направен за един тип реч и е добър в него.

Втората част е речникът. Речникът на работното пространство събира думите, които разпознаването няма как да знае:

• Имена на хора и фирми. „Аргус“ не е в никой речник, а е клиент.
• Продукти и вътрешни термини. Името на вашата система, на модула, на проекта.
• Жаргон, който екипът използва по свой начин.
• Шаблони за тикети, като „ОФ-“ или „PAY-“ следвано от номер, за да се записват като идентификатори, а не като случайни букви.

Речникът достига до разпознаването на реч преди то да е чуло аудиото, така че думата е вече „очаквана“. Има и поле за произношение: как звучи думата, когато българин я казва. То стига до разпознаването само при доставчик, който го поддържа, и Minuvo казва кой е той в настройките, вместо да приема мълчаливо и да го игнорира.

Какво речникът не може

Честно е да се каже и това. Речникът има бюджет: всеки доставчик приема ограничен брой термини, и Minuvo подрежда вашите по тежест и подава колкото се вместват. Речник с триста думи няма да стигне целият. Затова речникът е за думи, които се срещат често и се бъркат често, не за целия жаргон на фирмата.

Речникът също не поправя лошо аудио. Bluetooth слушалки с тесен микрофонен канал, отворен прозорец към булеварда и двама души, които говорят едновременно, са проблеми на записа, не на речника. Приложението предупреждава за първото преди да започне.

Как разбирате дали работи

След всяка среща Minuvo предлага „Думи за уточняване“: термини, които разпознаването е срещнало и не е било сигурно в тях. Ако там се появи „дедлайна“ три пъти, добавяте „deadline“ в речника и следващата среща го записва правилно. Ако там се появи името на клиента, добавяте го веднага. След три-четири срещи списъкът се изпразва, защото речникът вече знае как говори вашият офис.

Това е и причината речникът да е на ниво работно пространство, а не на ниво човек: думите са на фирмата, не на Мартин.