Мой более чем скромный опыт показывает, что потом тратиться значительные усилия на вычитку и редактирование. И процесс приобретает бесконечный характер...
Я использовал программку для телефона - сильно подозреваю, что она на гугловском API. "Голосовой блокнот".
Забыл добавить, что, например, мой знакомый много пользовался индийцами - посылая им диктофонные записи и получая транскрипты. Он был согласен на значительное удорожание ставки, только бы не поточные транскрипты (которые читались с неизменным хохотом)... Речь шла про английскую речь и англоязычные транскрипты.
Я давным-давно научился печатать вслепую и наслаждаюсь этим. Да, учиться очень скучно - нужно долбить и долбить все эти ОВАУВЫ, но зато когда научишься - пальцы сами по нужным клавишам долбят с дикой скоростью. Приятно, что при этом не нужно смотреть ни на клавиатуру, ни даже на экран. А решился я научиться потому что не нашёл ни одной нормальной программы, которая бы переводила речь в текст. Да, все нужно обучать, но даже когда обучишь - это ненормально. А потом я прочёл статью про компьютерное зрение и компьютерный слух. Там просто и доходчиво объяснялось, что компьютерное зрение нормальным не будет никогда - слишком большие объёмы информации нужно хранить, а потом ещё и обрабатывать. Если компьютеру показать ладонь и обучить его этому, то он в следующий раз её определит. Но! Только в том случае, если вы опять ему покажете ладонь в том же положении. Если немного повернёте и наклоните - он уже не поймёт что это (в то время не мог). Если согнёте один палец - тоже. То есть ему нужно тысячи ладоней показать в разных положениях, чтобы он мог определить. Но тогда повышается время обработки этих данных. И ладони могут быть женские, мужские, негритянские...
Со звуком вообще интересно. Оказывается, мы не говорим отдельными словами, мы издаём всё слитно, а мозг разбивает сплошной поток звуков на знакомые слова. До этой статьи я даже не знал этого и не задумывался. Компьютер так не умеет. Поэтому компьютеру нужно говорить каждое слово отдельно - то есть делать паузы. Понятно, что перед этим нужно его обучить. Но если вы охрипнете - то придётся учить заново. Так вот, даже если вы отлично обучили программу, не охрипли, у вас чуткий микрофон и мощный компьютер - всё равно речь в текст будет переводиться очень медленно. Из-за этих пауз. Любая секретарша, умеющая печатать даже 200 знаков в минуту, будет гораздо эффективнее всех этих систем (на то время, сейчас - не знаю). Так что лучше научитесь быстро печатать и купите себе эргономичную клавиатуру. Я так радовался, когда купил себе знаменитейшую Microsoft Ergonomic 4000 по большой скидке (всего за 3000 вместо 6500 - видимо распродавали остатки), и так удивился, когда через три года клавиши начали стираться, а некоторые почти перестали работать... Но сама клавиатура очень удобная - на ней сейчас печатаю. Руки лежат спокойно, не устают. Вот найдите что-нибудь эргономическое - и никаких распознаваний текста не нужно будет.
PS Может поэтому у меня комменты такие большие всегда - что мне печатать несложно?
Что касается компьютерного зрения. Цифровое зрение это несколько другое явление, нежели биологическое.
Собственно все эти капчи от Гугла и Яндекса, которые сплошь и везде вынуждают разгадывать людей - это как раз таки идет халявное обучение онлайн нейронных сетей с компьютерным зрением. Просто людям это преподносится как защита от ботов. На самом деле капча от ботов не защитит, если кто-то заморочиться обойти вашу капчу. В интернете полно программ по обходу капчи.
Что же касается определения речи. Не имеет значения - какой у вас голос, для сети это несущественно, если ее обучали именно на распознавание речи в текст.
Она среди всего шума просто ищет слова (токены), которые у нее есть в базе данных.
А вот если обучали именно на распознавание голоса, то в таком случае тембр голоса конечно играет роль
1K 13:39 - 15/Сен/24 
Комментарии
по каким именно параметрам?
Желательно бесплатный. Для надиктовки статьи, например.
нет таких!
Был Яндекс апи бесплатно, но сейчас он только платный.
Бесплатные все заикаются и читают практически по слогам.
И уже достало когда закадровый текст на видеороликах роботом начитан, сразу ставлю дизлайк и выключаю и так тысячи людей делают.
Дешевле диктора найти под свои требования. Статью правильно прочитать в пару тысяч обойдётся.
Олег, вы просто очень невнимательный или пытаетесь рекламировать что-то свое?
Раз Вы так считаете предложите свой Вариант бесплатный и программы с вменяемым качеством озвучки.
Люблю слушать аудиокниги и очень хотел найти программу для озвучки чтобы слушать различные научные статьи и журналы. И чтобы бесплатная и т.д. и т.п.
Так вот не нашёл приемлемого варианта. Были движки дигалоу для озвучивания, но там реально робот роботом с неправильным произношением.
Русский язык очень трудный для озвучки и нормальных бесплатных вариантов нет.
https://github.com/themanyone/whisper_dictation
https://github.com/speechbrain/speechbrain
https://github.com/tsmdt/whisply
https://github.com/NormVg/AutoCaptionGenAI
https://github.com/Picovoice/cheetah
https://github.com/Picovoice/leopard
https://github.com/HenestrosaDev/audiotext
Программ много, тестировать надо.
И компьютер нужен с видеокартой Nvidia, чтобы было минимум 8 Мб видеопамяти
Режим ясновидения надо включить?
Для какой ОС? Виндоуз, Андроид, Мак? Хранение локально или в облаке? Одного человека или группы людей (обсуждение)? Что сами пробовали?
Обзор "10 лучших программ для преобразования речи в текст" читали?
Спасибо. Для windows. Впервые озаботился этой проблемой.
Мой более чем скромный опыт показывает, что потом тратиться значительные усилия на вычитку и редактирование. И процесс приобретает бесконечный характер...
Я использовал программку для телефона - сильно подозреваю, что она на гугловском API. "Голосовой блокнот".
Забыл добавить, что, например, мой знакомый много пользовался индийцами - посылая им диктофонные записи и получая транскрипты. Он был согласен на значительное удорожание ставки, только бы не поточные транскрипты (которые читались с неизменным хохотом)... Речь шла про английскую речь и англоязычные транскрипты.
Я давным-давно научился печатать вслепую и наслаждаюсь этим. Да, учиться очень скучно - нужно долбить и долбить все эти ОВАУВЫ, но зато когда научишься - пальцы сами по нужным клавишам долбят с дикой скоростью. Приятно, что при этом не нужно смотреть ни на клавиатуру, ни даже на экран. А решился я научиться потому что не нашёл ни одной нормальной программы, которая бы переводила речь в текст. Да, все нужно обучать, но даже когда обучишь - это ненормально. А потом я прочёл статью про компьютерное зрение и компьютерный слух. Там просто и доходчиво объяснялось, что компьютерное зрение нормальным не будет никогда - слишком большие объёмы информации нужно хранить, а потом ещё и обрабатывать. Если компьютеру показать ладонь и обучить его этому, то он в следующий раз её определит. Но! Только в том случае, если вы опять ему покажете ладонь в том же положении. Если немного повернёте и наклоните - он уже не поймёт что это (в то время не мог). Если согнёте один палец - тоже. То есть ему нужно тысячи ладоней показать в разных положениях, чтобы он мог определить. Но тогда повышается время обработки этих данных. И ладони могут быть женские, мужские, негритянские...
Со звуком вообще интересно. Оказывается, мы не говорим отдельными словами, мы издаём всё слитно, а мозг разбивает сплошной поток звуков на знакомые слова. До этой статьи я даже не знал этого и не задумывался. Компьютер так не умеет. Поэтому компьютеру нужно говорить каждое слово отдельно - то есть делать паузы. Понятно, что перед этим нужно его обучить. Но если вы охрипнете - то придётся учить заново. Так вот, даже если вы отлично обучили программу, не охрипли, у вас чуткий микрофон и мощный компьютер - всё равно речь в текст будет переводиться очень медленно. Из-за этих пауз. Любая секретарша, умеющая печатать даже 200 знаков в минуту, будет гораздо эффективнее всех этих систем (на то время, сейчас - не знаю). Так что лучше научитесь быстро печатать и купите себе эргономичную клавиатуру. Я так радовался, когда купил себе знаменитейшую Microsoft Ergonomic 4000 по большой скидке (всего за 3000 вместо 6500 - видимо распродавали остатки), и так удивился, когда через три года клавиши начали стираться, а некоторые почти перестали работать... Но сама клавиатура очень удобная - на ней сейчас печатаю. Руки лежат спокойно, не устают. Вот найдите что-нибудь эргономическое - и никаких распознаваний текста не нужно будет.
PS Может поэтому у меня комменты такие большие всегда - что мне печатать несложно?
У Вас устаревшие данные )
Что касается компьютерного зрения. Цифровое зрение это несколько другое явление, нежели биологическое.
Собственно все эти капчи от Гугла и Яндекса, которые сплошь и везде вынуждают разгадывать людей - это как раз таки идет халявное обучение онлайн нейронных сетей с компьютерным зрением. Просто людям это преподносится как защита от ботов. На самом деле капча от ботов не защитит, если кто-то заморочиться обойти вашу капчу. В интернете полно программ по обходу капчи.
Что же касается определения речи. Не имеет значения - какой у вас голос, для сети это несущественно, если ее обучали именно на распознавание речи в текст.
Она среди всего шума просто ищет слова (токены), которые у нее есть в базе данных.
А вот если обучали именно на распознавание голоса, то в таком случае тембр голоса конечно играет роль
Тексты я печатаю. Уже 12 книг таким образом написал. Но иногда удобнее не писать, а говорить. И в то же время иметь текст для редактирования.
Такое впечатление, что запрос написан несколько лет назад.
Распознавателей речи - полно, Гитхаб вполне удовлетворит.
Есть и системы с гуманными требованиями к железу.
============
искать на Гитхабе непосредственно и на paperswithcode.com.
До этого не было необходимости.
Всем спасибо!