音声認識エンジンは、人々が最も使う言語に基づいて訓練されるため、誤って聞こえる単語は決して一般的な単語ではありません。それは、週に50回も言う姓、チーム内で内部的に名付けられたサービス名、18か月前に行われた会議で作られた略語です。これらは、あなたが待つことによって修正できるような欠点ではありません。これは、エンジンがこれまでに聞いたものと、実際にあなたが言うものとの間にあるギャップであり、これを埋めるには2つの要素が一緒に働きかける必要があります。それは、あなたがその用語を実際に口にする方法と、それを一回で修正するための1つの辞書エントリです。
- 09:142.8sPing Kowalczyk about the staging rollout.Slack
- 09:213.4sThe client's API still returns the old schema.Notion
毎回同じように言いなさい
あなたのコントロール下で最も重要なのは、一貫性です。もし「Kubernetes」を時折フルネームで言い、他の時は「k8s」と言うのであれば、エンジニングが2つの異なる単語を正しく認識するように求めていることになります。辞書エントリは、実際にタイプした単語だけを修正します。ある用語に対して1つの方法を選び、それにこだわってください。これは、名前や略語よりも普通の単語よりも重要です。なぜなら、エンジンはそれらのいずれにもほとんど以前の経験を持たないからです。
用語に文脈を提供しなさい
孤立して発せられた名前や略語は、どの音声認識エンジンにとっても最も難しいケースです。なぜなら、それの周囲に何もないからです。実際の意味を持つ文の中でそれを言ってください。単なるテスト単語としてではなく — 「PriyankaにRedisの移行について尋ねて」という文の中で「Priyanka」を言うことで、エンジンには「Priyanka」の隣接する2つの単語の文脈が与えられます。これはこのアプリに特有ではありません。一般的な音声入力にも当てはまり、コストはかかりません。
まだ辞書に登録されていない略語は、それぞれの文字を発音しなさい
3文字または4文字の略語で、まだ辞書に登録していない場合は、それぞれの文字を個別に発音する — 「A P I」と言い、それぞれの文字の間に短い間隔を置く — と、音声認識エンジンはそれらをそれぞれの大文字として文字起こしします。これはすべての略語に同じように効果がありますので、新しい略語を使う最初の時、それがどのように文字起こされたかを確認してください。もし間違っていたら、その時点で辞書にエントリを追加するようにしましょう。手で毎回打ち込むのを続けるのは効果がありません。
用語が失敗した後にエントリを構築しなさい
辞書にすべての可能の固有名詞を事前に登録しておく必要はありません — dictation appにあなたの専門用語を教える方法は、辞書を構築するための完全な方法を説明しています。その中には、エントリに含めるべきものや、マッチングルールについても含まれます。このページの短い説明は、用語が誤って認識した後に、エンジンが聞いたものと、実際に意味したものを正確にマッピングするエントリを追加することです。大文字の含む「kubernetes → Kubernetes」の1つのエントリで、誤った大文字と、一貫した誤認識を一度で修正できます。なぜなら、そのエントリは、完成した文字起こしに上書きされるからです。
これは、2つの技術が出会う場所です。略語の文字を個別に発音することで、最初から文字起こしに大文字として表示されます。一方で、辞書エントリは、きれいに文字起こされない用語 — 例えば姓、複合製品名、チームが特定の方法で略すフレーズ — を正しく保持します。次回からは、あなたが何も変えることなく、正しい結果を得られます。
複合語と複数語の用語
単語一つは簡単なケースです。複合製品名 — 二つの普通の単語を中間の大文字で一つにまとめたもの、または会社がいつも特定の方法で言うフレーズ — は難しいです。なぜなら、エンジンが「data pipeline」が特定の内部ツールの正式名称であるべきだと推測する理由がないからです。全体のフレーズを一つの辞書エントリとして扱い、各単語を個別に修正しようとするのではなく、全体を一度にマッチングして書き換えるエントリがより信頼性が高いからです。あなたのチームが複数の関連する用語を同じように作成している場合 — 例えば、共通の接頭辞を持つ内部サービス名のファミリー — は、それぞれを別々のエントリとして追加するべきです。マッチングは意図的に正確で文字通り行われるため、意図しないものを書き換えることはありません。
技術的な音声入力における記号と記号
名前や略語は技術的な音声入力の半分を占めますが、もう半分は普通の文章では必要としない記号や記号です — アンダースコア、ドット、括弧、スラッシュなど。これらは、同僚に肩越しに見て説明するように読み上げます。「open paren」「underscore」「dot」「forward slash」など。これは、音声認識後の文字起こしに正確な記号が表示されるためです。記号やスペースは、すべての音声入力に適用される固定の後処理チェーンの一部であり、特別なモードに切り替えることではありません。コードコメントを音声入力する方法では、コードベースをほとんど扱う人々のためにこの点をより詳しく説明していますが、このページで説明している基本的な習慣は同じです：正確に意味を伝えるようにし、その一部を少数の辞書エントリで補完します。
音声入力結果を確認してからエンジンを責める
すべての音声入力は、話した言葉のバージョンと、ルールを適用した後のバージョンの2つのバージョンを保持します。用語が間違っている場合、まず素の文字起こしを確認してください。もし素のバージョンが正しい単語を含んでいて、処理後のバージョンだけが間違っている場合、それは辞書のエントリが誤って作動しているか、不足している可能性があります。もし素のバージョンも間違っている場合、問題はルールを書くことができない場所にあり、音声品質、マイクとの距離、または背景音が強いことで単語を完全に覆ってしまう可能性があります。ヘッドセットで音声入力する方法を読むことで、エンジンが名前を扱えないという思い込みを避けることができます。多くの「決して正しくならない」という感覚は、実際にはマイクが3フィート離れたラップトップでファンの音を拾っているだけです。
エンジンが聞いたことのない名前、そしてここでの正直な限界
いくつかの名前には音声の略称がありません。珍しい苗字、英語のスペルにうまくマッピングできない言語の名前、これまでタイプしたことがないクライアントの名前 — これらは最初のとき、エンジンが間違える可能性と同様に、あなたも間違える可能性があります。このアプリの辞書は文脈から学習したり、音声からスペルを推測したりしません。ただあなたがタイプしたものを正確に反映し、それ以上のことはしません。一度正しいと確認したら、その正確なスペルを辞書に登録し、それ以降の音声入力はすべて正しくなります。これは、途中で語彙を学習するアプリよりも手間がかかるため、明確に述べるべきです。
Wispr Flowは、その他の種類のツールです：その辞書のドキュメンテーションでは、あなたが行う訂正から「自動的に学習される」エントリが記載されています。週ごとに名前や専門用語の語彙が変わる人にとって、リストを維持するのが面倒な人にとっては、これは大きな利点であり、それを明言するのは適切です。トレードオフは、このライブラリのすべての比較ページで見られるものです：音声から学習するシステムにはアカウントが必要で、このツールは辞書を含むあなたのデータをあなたのデバイスに保存し、他のものとは一切関与しません。どちらがより価値があるかは、10項目を一度タイプするのと、アカウントに静かにプロフィールを構築させるのとどちらを選ぶかにかかっています — Coii VoiceInput vs Wispr Flowはそのトレードオフについて詳しく説明しています。
二つの用語がほぼ同じ音を立てている場合
二つの技術用語が同じ音を立てても意味が異なる場合、文脈がほとんどを区別する仕事を行います — 「キュー」と「クイ」、サービス名「サブル」に対して「スターブル」、クライアント名「ルーム」に対して文字通りの「ルーム」。上記のように、項ではなく全体の文章を発話するほうが、最初の防衛線です。なぜなら、周囲の単語が正しい読み方をシステムに明確に示すからです。特定の組み合わせがその防衛線を越えて衝突する場合、辞書のエントリは一方の方向にのみ正確に書き換えることができます — 間違った読みを正しく置き換える — そのため、どちらがあなたの音声入力でより少ない頻度で出現するかを選んで、そのエントリを正しい読み方に修正するようにします。
歴史に修正を加えるのではなく、再録音で修正しない
一度エントリを修正した後は、もう一度全体を録音する必要はありません。その音声入力の生の文字起こしと処理後の文字起こしはすでにあなたの履歴に保存されています — Macでの音声入力方法は履歴行の仕組みを説明しています — そのため、修正は辞書を更新し、既存の行を再処理するだけで十分です。これは特にコードコメントや技術的な文章で重要です。誤って聞こえた語の周囲の文章が長く、その単語を再録音するためにすべてを話すよりも、修正自体にかかる時間が長いためです。コードコメントでの音声入力方法は、関数や変数名が一般的なエンジンが見たことのないコードベースに適用された同じアイデアを説明しています。
数字、バージョン、測定値
技術的な文章は、タイプするよりも発話するときに異なる読み方をする数字も満載です：バージョン文字列、IPスタイルのアドレス、測定値、通貨。数字の記号を同じように読みましょう — バージョン番号は「two dot four dot one」、アドレスは「one hundred ninety two dot one six eight dot one」のように — そうすると、アプリが数字を推測する代わりに、文字通りの文字が表示されます。数字が何度も間違っている場合、修正方法は他の項目と同じです：エンジンが実際に生成するものをマッチさせ、それをあなたが意味したものに書き換えます。これは、特別な数字モードが存在しないのは意図的なものです — すべての種類の修正を1つのメカニズムで行う方が、5つの専門的なメカニズムそれぞれが独自のルールを持つよりも理解しやすいからです。
新しい用語を信頼する前にテストする
送信しようとしているメールや、開こうとしているプルリクエストに新しい用語を音声入力する前に、低リスクな場所で一度言ってみましょう — 例えば空白のノートや一時的なドキュメント。これには10秒かかりますが、同時に3つのことを確認できます：エンジンが単独で正しいかどうか、スペルを明記することで改善されるかどうか、そして単語登録が必要かどうか。このステップをスキップすると、誤ったクライアント名が送信メールに含まれることもあり、その修正は10秒よりもずっと高コストになります。
この習慣は、新しい用語を初めて使うときほど重要です。名前や略語がすでに信頼できるようになったり、単語登録が行われたりすれば、その後は固定され、変更しなければ再テストする必要がありません。
一番効果が出る場面
開発者、履歴書に企業名や候補者名が満載の採用担当者、そしてコードベースやCRMにプロパラクティックな名詞が満載で音声入力している誰もが、この問題を毎日のように直面しています — 開発者向け音声入力 と 開発者向けの最適な音声認識 は、この記事で説明した方法を、それぞれの仕事に必要な語彙に応じて適用したものです。開発者の単語登録は、最初の週にはサービス名やサードパーティライブラリ名で満たされ、採用担当者の登録は候補者の苗字やクライアント企業が自身の名前を書く特定の方法で満たされます。どちらのリストも、成長が止まった後はそれほど長くありません — 通常は実際に使用する最初の数十回の音声入力で成長が止まります。
どの分野でもこの習慣は同じです：一貫して言う、文脈を提供する、必要な場合はスペルを明記し、その後は単語登録1つですべてを任せましょう。
自分の語彙がどれだけ持っているか確認してみませんか？Coii VoiceInputを試してみる し、仕事で最もよく使う5つの用語で単語登録を始めましょう — 通常はその1回のセッションでほとんどの修正が完了します。