Распознавание речи офлайн или в облаке: что точнее и безопаснее

Вы диктуете рабочее письмо или личную заметку и в какой-то момент задумываетесь: а куда вообще уходит мой голос? У распознавания речи есть два пути. Облако - это когда запись отправляется на сервер компании, там превращается в текст и возвращается к вам. Офлайн (на устройстве, on-device) - это когда весь разбор речи идёт прямо внутри вашего компьютера и наружу ничего не уходит. Ниже честно разбираем, где какой способ точнее, что из этого безопаснее и кому что выбрать.

Чем облако отличается от офлайна

Разница только в том, где именно звук превращается в текст.

В облаке тяжёлую работу делает сервер. Ваш Mac записывает голос и отправляет его по интернету в дата-центр сервиса. Там мощные машины прогоняют запись через большую модель распознавания и присылают готовый текст обратно. Вы видите расшифровку через секунду и не замечаете, что она побывала за тысячу километров от вас.

Офлайн (на устройстве) делает то же самое, но не выходя за пределы вашего компьютера. Модель распознавания заранее скачана и лежит на диске. Когда вы диктуете, Mac разбирает речь сам, своими процессором и памятью. Интернет при этом не нужен вообще, и запись никуда не отправляется.

Что точнее

Честно: в среднем у облака есть фора по качеству, и вот почему. Сервер не ограничен ни размером модели, ни оперативной памятью, ни зарядом батареи. Туда можно загрузить огромную, тяжёлую модель и обновлять её хоть каждую неделю. Поэтому на трудных кусках - сильный фоновый шум, заметный акцент, редкие имена и узкие термины - облако нередко расслышит точнее.

Но эта фора важна не везде. Для обычной диктовки в тихой комнате - письмо, заметка, сообщение, черновик - современные модели на устройстве догнали облако вплотную. Когда речь чистая и внятная, разницу в тексте вы, скорее всего, просто не заметите. Облако вырывается вперёд именно там, где условия тяжёлые, а не на каждой фразе.

И ещё одна честная оговорка про офлайн: качество распознавания на устройстве зависит от мощности самого Mac. На свежих машинах с чипом Apple модель крутится бодро и точно. Старое железо тянет её медленнее, а самую тяжёлую модель туда поставить не выйдет - не хватит памяти.

Сама по себе скорость голоса не зависит от того, облако у вас или офлайн. Диктовать в 3-4 раза быстрее, чем печатать, вы будете в обоих случаях - этот разрыв мы подробно разобрали в статье «Печатаем медленнее, чем говорим». Выбор между способами решает другое: точность в трудных условиях и то, куда уходит ваш голос.

Что безопаснее

Вот здесь разница перестаёт быть технической мелочью и становится главной.

Когда вы диктуете через облако, на чужой сервер уходит запись вашего голоса и текст того, что вы сказали - живые данные, а не безликий сигнал. Дальше всё зависит от честности и настроек сервиса: сколько он хранит записи, использует ли их для обучения своих моделей, кто внутри компании имеет к ним доступ, что будет при утечке базы. Часть сервисов ведёт себя аккуратно, часть - нет, и со стороны вы это не проверите. Вы просто доверяете.

Для многих текстов это не проблема. Список покупок или пост в соцсети не страшно прогнать через облако. Но есть тексты, где цена утечки высокая:

• Рабочая переписка, договоры, коммерческие условия, цифры по бизнесу.
• Переписка с клиентами и их персональные данные.
• Медицинские, юридические, финансовые подробности - свои или чужие.
• Личные заметки и черновики, которые вы не готовы показывать никому.

Офлайн-распознавание снимает этот вопрос целиком. Если речь разбирается на вашем Mac и наружу не отправляется, то утекать с чужого сервера просто нечему - чужого сервера в этой цепочке нет. Тут даже не приходится никому доверять: данные не уходят, доверять некому.

Когда нужен интернет, а когда нет

Есть ещё практичная сторона, не про приватность. Облаку нужен интернет, причём стабильный. Слабый сигнал - и распознавание тормозит или отваливается на середине фразы. Нет сети совсем - облачная диктовка не работает, как бы вам ни хотелось.

Офлайн в этом смысле свободен. Модель уже на диске, и Mac разбирает речь сам. Можно диктовать в самолёте, в поезде, в дороге, на даче с одной палочкой сигнала или просто при выключенном Wi-Fi. Для тех, кто работает в разъездах или там, где связь капризная, это не приятный бонус, а условие, без которого диктовка вообще не нужна.

Минус офлайна тут один и честный: модель надо один раз скачать, и весит она прилично. Зато после этого вы независимы от сети - диктуйте хоть в полной офлайн-глуши.

Кому что выбрать

Свести к простому выбору.

Облако стоит предпочесть, когда главное - выжать максимум точности на сложной речи (сильный шум, заметный акцент, много редких терминов), а сами тексты не секретные и интернет под рукой всегда. Тут фора большой серверной модели работает на вас.

Офлайн на устройстве стоит выбрать, если хотя бы одно из этого про вас:

• Рабочие или личные тексты, которые не хочется отдавать на чужой сервер.
• Частая работа без интернета или со слабым сигналом.
• Важно само спокойствие: голос не уходит из компьютера, и точка.
• Обычная чёткая диктовка - ваш основной сценарий, где разницы в точности и не видно.

Для большинства рабочих задач на Mac офлайн выигрывает: точности на нормальной речи хватает с запасом, интернет не нужен, а главное - вопрос приватности закрыт сам собой.

Как это сделано в TapTalk

Для этого мы и делаем TapTalk - голосовой ввод на Mac, где распознавание идёт на устройстве. Когда вы диктуете, Mac разбирает речь сам: запись голоса не отправляется на сервер, и работает всё даже без интернета. Для рабочих писем, переписки с клиентами и личных заметок это значит, что ваш голос остаётся только у вас.

Что он делает помимо приватности:

• Запускается по горячей клавише в любом окне, где вы печатаете: почта, мессенджер, документ, поле браузера.
• Понимает русский и английский без переключения раскладки, прямо внутри одной фразы.
• Сам ставит знаки препинания и делит текст на предложения.
• Чистит слова-паразиты: «ээ», «ну», «как бы» убираются автоматически.
• Бесплатно с дневным лимитом, Pro-подписка снимает лимит.

Честно про оговорки: качество на устройстве зависит от мощности вашего Mac, и модель распознавания нужно один раз скачать. На свежих машинах с чипом Apple она работает быстро и точно. Взамен вы получаете диктовку, которая не зависит от сети и не отправляет ваш голос никуда наружу.

Коротко

Спор «офлайн или облако» сводится к тому, что для вас важнее. Нужен максимум точности на сложной речи, а тексты несекретные - облако даст фору. Важны приватность, работа без интернета и спокойствие за рабочие тексты - выбирайте распознавание на устройстве. На обычной чёткой диктовке точность у обоих способов сравнялась, поэтому для большинства задач на Mac офлайн оказывается и удобнее, и безопаснее.

Источники

• Средняя скорость речи, NCVS: virtualspeech.com/blog/average-speaking-rate-words-per-minute
• Исследование скорости печати, университет Аалто (136 млн нажатий, 168 000 человек), CHI 2018: aalto.fi/en/news
• «Speech Is 3x Faster than Typing», Стэнфорд / Baidu / Вашингтонский университет, 2016: hci.stanford.edu/research/speech

TapTalk ставит диктовку на Mac с распознаванием на устройстве: голос не уходит в облако, диктовка работает без интернета, русский и английский без переключения раскладки, знаки препинания и чистка слов-паразитов автоматом. Бесплатно с дневным лимитом, Pro снимает лимит.