跳至主要內容

等了十年,PC 端能用的语音输入方案来了

自动化语音输入约 1959 字大约 7 分钟...

从 XP 时代开始,我幻想用语音转文字。后来,手机提前实现了这功能,电脑端的语音录入却一直没进展。

为了能在 PC 上用语音打字,我从 2013 折腾到 2022,经历了各种硬件和软件,终于找到最适合 PC 端的语音输入方案。

讯飞 + 小麦克风

2013 年,讯飞推出 PC 版输入法。我以为 PC 语音输入的时代已经来临,买了个十几块的小麦克风,尝试语音转文字。

可测试结果却让人大跌眼镜,语音识别准确率异常的低。即便我把麦放在嘴边,依然无法录清楚,超过 80% 内容识别错误。

过低的识别率,让我怀疑是麦克风的收音出了问题,要想语音打字就需要换个好点的话筒。但囊中羞涩,只能暂停尝试。

讯飞 + Blue Yeti

过了几年,经济宽裕点后,下单网红录音话筒 Blue Yeti,幻想着 4 位数的话筒能带来完美的收音识别效果。

Blue Yeti
Blue Yeti

但事实却是再度被打击

对 Blue Yeti 的收音测试中,再次发现大量杂音,收货当天就直接退货。

十几元的麦克风和一千元的话筒收音效果差不多,语音输入的识别率也都超低。这让我猜测,语音输入识别率低与硬件无关,而是 PC 端的语音输入方案尚未成熟,是软件方面导致的问题。

就这样,我再次暂停了 PC 上的语音输入尝试。

外置声卡 + 动圈话筒

之后,用了 5 年的音箱出现问题,我升级了音响,并顺势添置了外置声卡,视听体验大幅提升。玩着玩着,突然想起我的语音输入梦,决定再尝试一次。

有了外置声卡,麦克风的选择多了许多,可以连接卡侬线接口的话筒了。

麦克风分为两类:电容麦、动圈麦。

电容麦收音好,但比较娇贵,怕潮怕摔,不能用桌面话筒架,适合用悬臂挂在空中,每次用完之后需要收起来。动圈麦的灵敏度和还原度都低于电容麦,存放和使用没什么要求,费用也会低些。

电容麦克风太麻烦,就选了简单的动圈麦 - 舒伯乐 PRO248S。

选好话筒后,又配了麦克风支架和卡侬线,连上原本的外置声卡,搞定语音输出的硬件配置。

收音设备
收音设备

输入法之争

音频硬件搞定后,开始折腾语音输入法。

虽然讯飞在语音输入领域的牌子最响,但是讯飞 PC 输入法并不受重视,长年不更新。所以,我尝试了其他输入法的语音功能。测试中,搜狗的语音识别功能并不比讯飞弱,缺点也只有无法设置语音输入快捷键,整体体验上佳。于是,语音输入法切换成了搜狗。

然而,有次备份系统设置,我发现搜狗词库高达 27 万条,其中 99% 的内容是垃圾词条,即使偶尔输入过一次的内容也被输入法记录。更可怕的是,这次词库无法从云端删除,只要你输入过一次,搜狗就永远记住了

这哪里是输入法,根本是键盘记录器

国内其他输入法在这点上也都半斤八两,为了不被键盘记录器惦记,我只能切换为开源的小狼毫输入法。

语音输入则转用开源的 Quick Cutopen in new window,使用阿里云、腾讯云的商用语音接口,识别率比免费的搜狗和讯飞都高。

Quick Cut 界面
Quick Cut 界面

Quick Cut 的缺点:语音输入时,要一直按大写键,不适合长语音录入;触发键无法更改,大写键与我的常用脚本冲突了。因此,长时间的语音输入只能借助手机上的飞书妙记来完成转录。

最终方案:微软语音输入

面对 Quick Cut 的长语音输入难题时,@李乐 推荐了微软语音输入-使用语音键入来说话,而不是在电脑上键入open in new window

微软自带的语音输入,快捷键 Win + H。3 块钱的麦克风,距离 50 厘米,很低的声音读出来了。

测试后,发现微软语音输入确实是好用,甚至好用到有点恐怖。测试中,我临时有事,走到另外一个房间和家人说话,回来后发现刚刚的对话也被微软语音输入正确识别。

微软语音输入
微软语音输入

微软语音输入非常敏感,距离远、声音低也能识别。这样我不用为语音输入而特意移动话筒,可以继续把话筒放在不遮挡视野的远角。

「语音键入功能在此应用上受限制」在 Notepad++ 和微信都出现了,Visual Studio Code 没出现,但实际上这提示对语音输入并没造成影响,平常可以忽略这个提示。

虽然微软语音输入的识别率只有 85%,不如阿里云方案的 95%,可系统自带的优势太明显,微软语音输入体验感非常顺滑。设置中开启「自动标点符号」后,对长句的优化非常好。

启动快捷键 Win + H,语音识别立即会启动。如果中途没说话,应用会自动暂停,并对前面的输入进行整理,插入合适的标点符号。停止超过一分钟,语音识别才会暂停,等待再次启动。换言之,微软语音输入能一键完成长语音录入。

之前的麦克风放着放着就坏了,所以我没测 @李乐 说的低价麦克风的语音输入效果。不过,微软输入的软件优化非常好,按照目前效果推测,用便宜的麦克风也能实现完美的收音效果。综合来说,微软语音输入是当前最完美也是兼容性最高的语音输入方案。

总结与展望

语音输入的 3 种方案:

  • 文章输入:微软语音输入 + 外置声卡 + 动圈话筒,兼容性最高,使用方便,但精度一般,用于文章草稿阶段。
  • 一句话输入:Quick Cut + 外置声卡 + 动圈话筒,一句话识别精度最高,适合聊天时使用。
  • 语音转录:飞书妙记 + 手机,录音转文字,长语音的识别率超高。

与 2018 年相比,2022 年的语音输入方案已经完善了许多。硬件已经不再是问题了,便宜的话筒也能达到语音输入标准。语音识别进步明显,在 AI 技术的加持下,短句识别率从 90% 上升到 95%,长句识别率则从 50% 上升到 70%,标点符号均能正确插入。

目前语音输入算法在提升最后 10% 的准确率,期待早日达到「口述与键盘输入完全一致」的一天。

上次编辑于:
你认为这篇文章怎么样?
  • 0
  • 0
  • 0
  • 0
  • 0
评论
  • 按正序
  • 按倒序
  • 按热度
Powered by Waline v3.1.3