Deepgram je služba pre vývojárov, ktorá sa špecializuje na rozpoznávanie reči. Prostredníctvom rozhrania API prevádza zvuk na text a ponúka aj ďalšie schopnosti okolo hovoreného slova. Pozornosť získala najmä dôrazom na rýchlosť a na spracovanie v reálnom čase, teda tam, kde nestačí počkať minútu na hotový prepis, ale potrebujete text takmer okamžite.
Oslovuje vývojárov hlasových asistentov, tímy budujúce softvér pre call centrá, tvorcov aplikácií na prepis a firmy, ktoré chcú do produktov pridať hlasové ovládanie. Bežný čitateľ ho nebude otvárať ako klasickú aplikáciu, no pravdepodobne sa s jeho výsledkami stretne v službách, ktoré používa.
Prečo záleží na rýchlosti
Pri prepise nahrávky z minulého týždňa na pár sekúnd nezáleží. Pri telefonáte, kde agent zákazníckej podpory potrebuje počas rozhovoru vidieť návrhy odpovedí, alebo pri hlasovom asistentovi, ktorý má reagovať plynulo, rozhoduje oneskorenie. Práve tu sa nástroje typu Deepgram uplatňujú. Text sa objavuje priebežne, kým človek ešte hovorí, a aplikácia ho môže hneď spracovať.
Ako to funguje
Vývojár má dve základné možnosti. Prvou je odoslať hotový zvukový súbor a dostať späť prepis. Druhou je otvoriť nepretržité spojenie, cez ktoré pošle zvuk po kúskoch a dostáva text priebežne. Táto druhá cesta sa používa pri živých hovoroch, titulkovaní vysielania alebo hlasových rozhraniach.
Okrem samotného textu služba podľa dokumentácie ponúka aj ďalšie informácie, napríklad rozlíšenie hovoriacich, značky času pre jednotlivé slová alebo úpravu formátovania, ako sú interpunkcia a veľké písmená. Aktuálny zoznam funkcií a podporovaných jazykov sa mení, preto ho overujte na oficiálnom webe.
Na čo sa používa
- Hlasoví asistenti a chatboty, ktoré potrebujú rýchlo premeniť hovorené slovo na text a potom naň reagovať.
- Call centrá, kde sa hovory prepisujú počas rozhovoru a agent vidí kľúčové informácie.
- Živé titulky na webinároch, konferenciách a vo vysielaní.
- Archívy rozhovorov a podcastov, v ktorých sa má dať vyhľadávať podľa slov.
- Aplikácie pre diktovanie poznámok, napríklad v zdravotníctve alebo v teréne, kde sa nedá písať na klávesnici.
- Analýza veľkých súborov nahrávok, napríklad zisťovanie, aké témy sa v hovoroch opakujú.
Príklad: hlasový asistent v aplikácii
Vývojár vytvára aplikáciu pre vodičov, ktorá sa ovláda hlasom. Mikrofón posiela zvuk na prepis v reálnom čase, aplikácia z textu rozpozná zámer, napríklad vyhľadanie trasy, a zareaguje. Ak by prepis trval dlho, používateľ by mal pocit, že aplikácia nereaguje.
Ako začať krok za krokom
- Zaregistrujte sa na oficiálnom webe a pozrite si aktuálne podmienky použitia.
- Vytvorte prístupový kľúč a uložte ho bezpečne mimo verejného kódu.
- V dokumentácii si vyberte, či budete prepisovať hotové súbory, alebo živý zvuk.
- Vyskúšajte krátky príklad z príručky s vlastnou nahrávkou.
- Otestujte rozpoznávanie na vzorke reálnych dát, ktoré budete používať, vrátane šumu a rôznych hlasov.
- Nastavte jazyk, formátovanie a ďalšie voľby podľa potreby vášho produktu.
- Postarajte sa o ošetrenie chýb, napríklad výpadok spojenia alebo nečitateľný zvuk, a až potom spustite nasadenie.
Tipy, ako dostať lepšie výsledky
Začnite kvalitným zvukom. Mikrofón blízko hovoriaceho, minimum ozveny a samostatné stopy pre jednotlivých účastníkov, ak je to možné, zlepšia výsledok viac než akékoľvek nastavenie.
Pri živom prepise sledujte rozdiel medzi predbežným a konečným textom. Predbežný text sa môže počas reči meniť, kým systém nemá dosť kontextu. Pre používateľa je vhodné ho zobrazovať ako dočasný a potvrdiť až po dokončení vety.
Ak váš obor používa špecifické pojmy, mená produktov alebo skratky, zistite v dokumentácii, či je možné rozpoznávanie na ne zamerať. Takéto doladenie býva rozdielom medzi použiteľným a otravným výsledkom.
Pravidelne porovnávajte výstup s ľudským prepisom na malej vzorke. Takto zistíte, kde sa najčastejšie mýli, a viete upraviť nastavenia alebo pridať kontrolu v aplikácii.
Obmedzenia a riziká
Presnosť nikdy nie je stopercentná. Pri slabej kvalite zvuku, silných dialektoch alebo prekrývajúcich sa hlasoch sa chybovosť zvyšuje. Podpora jazykov nie je rovnaká pre všetky jazyky, a ak ide o slovenčinu, zistite si aktuálny stav na oficiálnom webe a otestujte ju sami.
Zvuk, ktorý odosielate na spracovanie, môže obsahovať osobné údaje. Pred nasadením zistite, kde sa dáta spracúvajú, ako dlho sa uchovávajú a aké možnosti ochrany súkromia poskytovateľ ponúka. V Európskej únii je dôležité myslieť na súlad s pravidlami ochrany osobných údajov a na informovanie hovoriacich.
Pri rozhodnutiach s vysokým rizikom, napríklad v zdravotníctve, v práve alebo vo financiách, nesmie byť automatický prepis jediným zdrojom pravdy.
Pre koho nie je vhodný
Ak chcete len prepísať jeden rozhovor a nemáte vývojárske zázemie, je Deepgram zbytočne komplikovaný. Lepšie poslúži hotová aplikácia s nahrávaním súboru. Nehodí sa ani ako nástroj na úpravu zvuku či videa, to nie je jeho účel.
Ako Deepgram zapadá do väčšieho celku
Rozpoznávanie reči je len prvý článok reťazca. Za prepisom zvyčajne nasleduje ďalšie spracovanie, napríklad pochopenie zámeru, vyhľadanie odpovede v databáze alebo vygenerovanie odpovede, ktorá sa môže prečítať nahlas syntetickým hlasom. Vývojár preto Deepgram nepoužíva osamote, ale kombinuje ho s inými službami. Pri hlasovom asistentovi tak vznikne trojica: rozpoznanie reči, spracovanie textu a syntéza hlasu. Kvalita celku je vždy taká, aká je jeho najslabšia časť.
Pri plánovaní produktu preto myslite aj na celkové oneskorenie od okamihu, keď človek dohovorí, po chvíľu, keď dostane odpoveď. Rýchly prepis je nutná, nie však postačujúca podmienka. Odporúčame si zmerať skutočný čas celého reťazca na reálnom zariadení a pri reálnom pripojení, nielen v laboratórnych podmienkach.
Dôležitá je aj otázka testovania. Zostavte si malú, ale rôznorodú zbierku nahrávok: muži aj ženy, rôzne vekové skupiny, tichá miestnosť aj hlučná ulica, rýchla aj pomalá reč. Takáto zbierka vám umožní porovnať viaceré služby a neskôr aj sledovať, či sa po zmene nastavenia výsledok zlepšil alebo zhoršil.
Alternatívy z nášho katalógu
Podobné rozhranie pre vývojárov ponúka AssemblyAI, ktorý okrem prepisu kladie dôraz aj na analýzu obsahu hovoru. Ak uprednostňujete otvorený model, ktorý si viete prevádzkovať vo vlastnom prostredí, pozrite si Whisper. Pre hotovú službu s ľudskou kontrolou je tu Rev.
Časté otázky
Je Deepgram aplikácia na prepis pre bežných ľudí?
Nie, je to služba pre vývojárov. Bežný používateľ ju využije nepriamo cez aplikácie, ktoré ju majú zabudovanú, alebo si vyberie hotový nástroj, ako je Otter alebo Notta.
Vie prepisovať živé hovory?
Áno, spracovanie v reálnom čase patrí k jeho hlavným zameraniam. Konkrétne podmienky pre vybrané jazyky overte v dokumentácii.
Ako je to s presnosťou pri slovenčine?
Nedá sa dať univerzálna odpoveď, kvalita závisí od jazyka, zvuku aj témy. Odporúčame urobiť vlastný test na vzorke nahrávok z vášho prostredia.
Čo s citlivými nahrávkami?
Najprv si prečítajte zásady ochrany súkromia a podmienky služby. Ak si nie ste istí, poraďte sa s osobou zodpovednou za ochranu osobných údajov vo vašej organizácii.