Распознавание шёпота работает в реальном времени на микрофонах премиум-класса
Новые модели распознавания речи демонстрируют способность точно транскрибировать шёпот с точностью 92–95% при использовании профессиональных микрофонов и звуковых интерфейсов. Обработка происходит в реальном времени с задержкой менее 500 мс.
Достижение стало возможным благодаря специализированному обучению на наборах данных шёпота и применению фильтров для выделения низкоамплитудных фонем. Система работает эффективнее всего на микрофонах класса не ниже студийного уровня с частотной характеристикой выше 16 кГц.
Сценарии использования
Функция находит применение в конфиденциальных переговорах, работе в библиотеках и тихих офисах, где громкая речь нежелательна. Профессиональные пользователи могут использовать шёпот для голосового управления системами без акустического вмешательства.
Ограничение касается качества микрофонного оборудования: встроенные микрофоны смартфонов и ноутбуков показывают снижение точности до 70–75% из-за шума и сжатия сигнала. Рекомендация — использовать внешние микрофоны конденсаторного типа.
Разработчики работают над расширением поддержки стандартных устройств; предварительные результаты для микрофонов среднего уровня (200–500 евро) показывают улучшение точности до 85–88%.