Термины распознавания речи
Девять слов, которыми описывают расшифровку речи и её качество. Каждое разобрано отдельно и с нашими цифрами: без них термин объяснить можно, а проверить — нет.
- Распознавание речи
Что это такое, из каких моделей состоит конвейер и чем отличается от синтеза речи
- Транскрибация
Что это такое, чем отличается от расшифровки и стенограммы, сколько стоит час записи
- Стенограмма
Дословная запись встречи: чем отличается от протокола и как оформляется
- WER
Сколько ошибок в распознанном тексте и почему чужие проценты несравнимы
- RTF
Сколько ждать расшифровку: коэффициент в минутах ожидания
- Диаризация
Как сервис понимает, кто из участников говорит
- Узнавание по голосу
Чем отличается от диаризации и как имена переносятся между записями
- VAD
Как находят речь в записи и что при этом можно потерять
- Таймкоды
Метка у абзаца, у реплики и у каждого слова — в чём разница на практике
Как эти термины связаны
Слова из списка выше — не набор синонимов: они описывают разные шаги одной работы и разные способы её оценить. Понятнее всего это видно в порядке, в котором запись проходит через сервис.
- Сначала находят речь. Этим занимается VAD: запись делится на отрезки, где кто-то говорит, а тишина и шум отбрасываются. Если этот шаг ошибётся, дальше пойдёт разбор шума вместо слов.
- Потом речь превращают в слова. Это и есть распознавание речи — главный шаг, ради которого всё затевалось. Результат такой работы называют транскрибацией или расшифровкой: два слова, одно дело.
- Реплики разводят по людям. Диаризация решает, где сменился говорящий, и расставляет «говорящий 1» и «говорящий 2». Узнавание по голосу — следующий шаг: подставить вместо номеров имена, если голос уже знаком системе.
- К словам привязывают время. Таймкоды делают текст навигацией по записи: нашли фразу — попали в секунду. Без них расшифровка остаётся просто текстом.
- Итог оценивают двумя числами. WER говорит, сколько слов распознано неверно, RTF — сколько ждать результата. Первое про качество, второе про скорость, и одно без другого ничего не значит: медленный сервис с хорошим WER и быстрый с плохим одинаково бесполезны.
Готовый документ, который получается в конце, называют стенограммой — но это уже не шаг работы, а её результат на бумаге. Отличие стенограммы от протокола разобрано отдельно: первая дословна, второй пересказывает решения.
Где это нужно на практике
- Совещание в текст — диаризация и узнавание по голосу: без них в стенограмме не видно, кто что предложил
- Заседания и переговоры — дословная стенограмма многочасовой записи и таймкоды, по которым спорную реплику находят в записи
- Расшифровка интервью — диаризация разводит вопросы и ответы по двум голосам
- Редакциям и подкастам — таймкоды по словам, чтобы сверить цитату с записью до публикации
- Субтитры к видео — таймкоды по репликам и выгрузка в SRT
- Запись с диктофона — VAD режет длинную запись по паузам, RTF подсказывает, сколько ждать
- Звонки контакт-центра — узнавание операторов по голосу во всех звонках, а не нумерация заново
Откуда цифры
Все числа в этих статьях — из открытого замера: три набора данных, опубликованная методика и скрипты, которыми расчёт можно повторить. Проверить распознавание на собственной записи можно на главной, первые три минуты бесплатно и без регистрации.
Проверьте на своей записи
Термины проще понять на своём файле: разберём первые три минуты бесплатно, без регистрации.
Загружайте запись любой длины — бесплатно расшифруем первые 3 минуты. Без регистрации.
Страница обновлена 12 октября 2026