Le parole che contano di più
Riconoscimento vocale, o ASR. Il software che trasforma il suono registrato in parole scritte. ASR sta per riconoscimento vocale automatico e vuol dire la stessa cosa. Non capisce quello che hai detto; ricava quali parole siano state pronunciate.
Dettatura. Usare il riconoscimento vocale apposta, per produrre testo che avevi intenzione di scrivere. Si distingue dalla trascrizione perché chi parla sei tu e lo stai facendo di proposito.
Trascrizione. Trasformare in testo una registrazione che esiste già. Di solito il parlato di qualcun altro, di solito a cose fatte, di solito con un documento come risultato.
Sottotitolazione. Trasformare il parlato in testo in tempo reale perché possa essere letto mentre succede, tipicamente per l’accessibilità.
Queste quattro parole vengono usate una per l’altra nel marketing e indicano cose davvero diverse, ed è per questo che i risultati di ricerca per ciascuna sono un miscuglio.
Dove avviene il lavoro
Sul dispositivo, detto anche in locale. Il modello gira sul tuo telefono o sul tuo computer. Non viene trasmesso niente, e funziona senza connessione.
Nel cloud, detto anche lato server. L’audio viene mandato a un server remoto, elaborato lì, e torna indietro del testo. Permette modelli molto più grandi e richiede una connessione.
Ibrido. Tutti e due, con qualcosa che decide quale valga in ogni momento. Quella decisione può essere tua o del programma, e può dipendere dal tuo apparecchio, dalla lingua o dalle impostazioni.
Modalità offline. L’opzione locale di un prodotto ibrido. Se c’è una modalità, ce n’è anche un’altra.
Il modello in sé
Modello. Il file che fa il riconoscimento. Prodotto dall’addestramento, ed è in sostanza una collezione molto grande di numeri.
Pesi. Quei numeri. Quando si dice che un modello ha «i pesi aperti», si intende che il file può essere scaricato e fatto girare da chiunque, ed è questo che rende possibili i prodotti che girano sul dispositivo.
Dati di addestramento. Il parlato registrato e il testo corrispondente da cui un modello ha imparato. Quanto ne esistesse per la tua lingua è il fattore più grosso di quanto bene funzioni per te.
Dimensione del modello. Di solito espressa in megabyte. I modelli più grandi reggono meglio accenti, rumore e parole insolite, e chiedono più memoria e più tempo.
Quantizzazione. Conservare i numeri di un modello con meno precisione, così che il file sia più piccolo e più rapido da far girare, a un costo modesto in accuratezza. È buona parte del motivo per cui i modelli di dimensioni da telefono sono diventati praticabili.
Whisper. Un modello di riconoscimento vocale pubblicato da OpenAI con i pesi disponibili, ed è per questo che moltissimi prodotti che girano sul dispositivo sono costruiti su di lui o su sue riscritture.
whisper.cpp. Una versione di Whisper scritta per girare in modo efficiente su processori ordinari, molto usata nelle app per telefono perché quasi nessun telefono ha una scheda grafica degna di essere usata.
Come si comporta
Latenza. Il ritardo fra il momento in cui smetti e quello in cui compare il testo. Sul dispositivo dipende dal tuo hardware e dalla dimensione del modello; nel cloud dipende dalla tua connessione.
Precisione, o tasso di errore sulle parole. Quanto spesso sbaglia le parole. I numeri citati descrivono quasi sempre registrazioni pulite in lingue ben servite, quindi trattali come un soffitto invece che come un’aspettativa.
Campo largo e campo vicino. Se il microfono sia dall’altra parte di una stanza oppure vicino alla bocca. Il campo vicino è enormemente più facile ed è quello che la dettatura dà per scontato.
Rilevamento dell’attività vocale. Ricavare quando il parlato cominci e finisca, così che il sistema sappia cosa elaborare e quando hai finito.
Riconoscimento della lingua. Ricavare quale lingua venga parlata, invece di sentirselo dire in anticipo. Affidabile sulle frasi intere, inaffidabile sulle parole singole.
Punteggiatura dedotta. Virgole e punti decisi dal sistema a partire dal tuo ritmo e dalla grammatica, invece che dettati ad alta voce come comandi. Ormai è lo standard.
Sul telefono stesso
Metodo di immissione, o IME. Il nome tecnico di una tastiera su Android. Un metodo di immissione riceve i tuoi tocchi sui tasti e può leggere il testo intorno al cursore, che è il modo in cui funziona la correzione automatica ed è il motivo per cui Android ti avverte quando ne attivi uno.
Attivare contro selezionare. Due passaggi distinti. Attivare permette a una tastiera di esistere come opzione; selezionare la rende quella in uso. Saltare il secondo è la ragione più comune per cui una tastiera appena installata sembra non fare niente.
Dizionario personale. Le parole che aggiungi tu perché smettano di essere corrette e, nei prodotti che lo prevedono, perché il sistema di riconoscimento sappia che sono possibili.
Parola di attivazione. Una frase breve che un apparecchio ascolta di continuo per far partire un assistente. La dettatura non ne usa nessuna, ed è per questo che una tastiera non è in ascolto fra un uso e l’altro.
Backup nel cloud. La copia di routine che Android fa dei dati di un’app verso il tuo account. Un’app può chiamarsi fuori, cosa che protegge i dati e vuol dire che non tornano su un telefono nuovo.
Unità e numeri che vedrai citati
Tre termini creano più confusione degli altri quando confronti i prodotti.
I megabyte di un modello. Lo spazio occupato sull’apparecchio. Nota che la memoria usata mentre gira è una cifra a parte e di solito più grande, ed è per questo che un modello può entrare in un telefono e stargli comunque scomodo.
Fattore in tempo reale. Quanto dura l’elaborazione rispetto a quanto hai parlato. Sotto uno vuol dire più veloce del parlato; sopra uno vuol dire che aspetti. Una cifra come «6,9 secondi di parlato in 4,1 secondi» è esattamente questo, detta in modo semplice.
Lingue supportate. Un conteggio delle lingue che il prodotto proverà a gestire, che non è la stessa cosa delle lingue che gestisce bene. Confrontare cento contro diciotto non ti dice quasi niente sulla tua lingua.
Parole che suonano come garanzie e non lo sono
Sono queste a fare quasi tutto il lavoro di confondere in questo campo.
«Privato». Non definito. Chiedi dove finisca l’audio e se ci sia di mezzo un account.
«Sicuro». Di solito descrive la trasmissione invece del fatto che una trasmissione ci sia.
«Funziona offline». A volte vuol dire che il tuo testo è conservato in locale, cosa che non dice niente su dove sia stata elaborata la tua voce. Due affermazioni del tutto diverse.
«Basato su Whisper». Dice quale modello, non dove gira. Un modello aperto sul server di qualcuno è comunque sul server di qualcuno.
«Nessuna raccolta di dati». Più stretta di come suona. Chiedi cosa conti come dato, e se ci sia dentro anche l’audio.
La prova affidabile dietro a tutte quante è di comportamento: spegni dati mobili e Wi-Fi, poi prova a usare la funzione.
Dove sta LocalType in questo vocabolario
LocalType è un metodo di immissione con ASR sul dispositivo, senza modalità ibrida, senza parola di attivazione e senza account. Il modello ha i pesi aperti, è quantizzato per girare su un telefono, ed è offerto in tre taglie da 60, 190 e 539 MB, così scegli tu il tuo punto sulla curva fra latenza e precisione. Sull’apparecchio di prova da 4 GB l’impostazione di mezzo ha trasformato in testo 6,9 secondi di parlato in 4,1 secondi.
Fa il riconoscimento della lingua su diciotto lingue a partire dalla registrazione invece che da un’impostazione, e deduce la punteggiatura invece di accettare comandi pronunciati. Prevede un dizionario personale, che resta sull’apparecchio e viene dato al modello come contesto.
L’accesso a internet viene chiesto per uno scopo soltanto, prendere il modello. La pubblicità è assente, dentro il prodotto non gira nessun tracciamento del comportamento, non viene tenuto nessun archivio delle tue registrazioni, il modello sta in uno spazio di archiviazione che può raggiungere soltanto l’app, e al backup nel cloud di Android i dati dell’app vengono negati di proposito. Tocca dentro un campo password e lì nessun tasto del microfono viene offerto.