Точность распознавания речи: что на неё влияет (WER, шум, акцент)

Что такое WER

WER (Word Error Rate) — стандартная метрика точности ASR-систем. Формула:

WER = (Substitutions + Deletions + Insertions) / Total Words × 100%

Где:

• ●Substitutions — слова заменены (сказали «привет», распознано «приют»)
• ●Deletions — пропущены (сказали «как ты дела», распознано «как дела»)
• ●Insertions — лишние (сказали «привет», распознано «привет да»)

WER 2% означает 2 ошибки на каждые 100 слов. На часовой записи (~9000 слов на русском при средней скорости речи) это ~180 ошибок. WER 5% — 450 ошибок. WER 10% — 900 ошибок.

Сравнение по сервисам

Цифры варьируются от теста к тесту — но порядок одинаковый.

Факторы, влияющие на точность

1. Качество записи

Что улучшает:

• ●Микрофон ближе ко рту (10-30 см)
• ●Без эха в комнате (звукопоглощающие панели)
• ●Высокий битрейт записи (MP3 320 kbps или WAV)
• ●Один говорящий за раз

Что портит:

• ●Микрофон на столе в метре от говорящего
• ●Эхо в пустой комнате
• ●Низкий битрейт (MP3 64 kbps)
• ●Фоновая музыка, шум транспорта

2. Скорость речи

Средняя скорость русской речи — 120-150 слов в минуту. Если человек говорит:

• ●90 wpm (медленно, лекция) — WER снижается на 1-2 пункта
• ●120 wpm (нормально) — WER базовый
• ●180 wpm (быстро, например молодёжная речь) — WER возрастает на 2-3 пункта
• ●250+ wpm (скороговорка, чтение по бумажке) — WER может вырасти в 2-3 раза

3. Акцент

Модели лучше справляются с акцентами, которые были в обучающих данных. Voxtral V2 видел много русского с акцентами Центральной Азии — для пользователей из РК/Узбекистана/Кыргызстана точность остаётся высокой.

4. Возраст говорящего

5. Эмоциональное состояние

• ●Нейтральная речь — базовый WER
• ●Возбуждённая, быстрая речь — +2-4%
• ●Плач, всхлипывания — +5-15%
• ●Смех — +3-5% (модель путает смех с речью)
• ●Шёпот — +10-20% (модели не обучаются на шёпоте)

6. Специальная лексика

Решение для специальной лексики: словарь терминов в настройках Dicto. Добавьте 30-50 ключевых терминов — точность вырастет на 5-15% именно на этих терминах.

7. Количество спикеров

Чем больше спикеров — тем больше шанс перекрытий речи, что снижает точность.

8. Микшинг с музыкой

Если в записи звучит музыка (заставка подкаста, фоновая музыка под голос):

• ●Музыка без вокала фоном тихо — +0-1% (модель устойчива)
• ●Громкая музыка под речь — +5-10%
• ●Песня с вокалом — +10-30% (распознавание пения слабое)

Как улучшить точность

На уровне записи

1. 1.Используйте качественный микрофон
2. 2.Записывайте в тихом помещении
3. 3.Микрофон должен быть на расстоянии 10-30 см от рта
4. 4.Высокий битрейт (MP3 192+ kbps, WAV 16-bit)

На уровне сервиса

1. 1.Используйте словарь специальных терминов
2. 2.Укажите язык явно если запись на чистом одном языке
3. 3.Включите diarization если несколько спикеров
4. 4.Не перегружайте файл — не пытайтесь расшифровать 10-часовое аудио одним куском

На уровне постобработки

1. 1.Используйте AI-проверку грамматики (Grammarly для английского, Орфограммка для русского)
2. 2.Прослушайте подозрительные фрагменты (Dicto показывает confidence score для каждого слова)
3. 3.Поправьте имена собственные и числовые данные вручную

Какая точность нужна для разных задач

Для большинства задач 95-98% точности Voxtral V2 более чем достаточно. Для критических документов всегда нужна ручная проверка независимо от модели.

Вывод

Точность 98% звучит впечатляюще, но реальная цифра зависит от десятков факторов. Худшее что можно сделать — записать на встроенный микрофон ноутбука в шумном кафе и ожидать 98% — это будет 80-85% и куча правок. Хорошее аудио + Voxtral V2 в Dicto = 96-99% реальной точности.