Άκουγε ελληνικά και έγραφε κινέζικα

Υπάρχουν εξαιρετικά προγράμματα υπαγόρευσης φωνής για Windows και Mac: το Wispr Flow, το VoiceOS και δεκάδες άλλα, το ένα πιο γυαλιστερό από το άλλο. Κρατάτε ένα πλήκτρο, μιλάτε, και το κείμενο εμφανίζεται εκεί που δουλεύετε, σαν να κάθεται από πίσω σας ένας αόρατος δακτυλογράφος που δεν κουράζεται ποτέ, δεν παραπονιέται και δεν ζητά ρεπό. Στα αγγλικά εντυπωσιάζουν. Στα ελληνικά, στις δικές μας δοκιμές, όχι.

Και όταν λέω «όχι», δεν εννοώ «λίγο χειρότερα». Εννοώ ότι συχνά δεν μπορούσαμε να τα χρησιμοποιήσουμε.

Το ξέρω, ακούγεται βαρύγδουπο για εισαγωγή. Κρατήστε το στην άκρη μέχρι το τέλος και μετά τα ξαναλέμε.

Αυτό είναι το χρονικό ενός εργαλείου που φτιάξαμε επειδή δεν βρήκαμε έτοιμο που να μας καλύπτει.

Ας ξεκαθαρίσουμε κάτι: το πρόβλημα δεν ήταν η ακρίβεια

Θα περίμενε κανείς ότι το θέμα είναι μερικές λέξεις λάθος. Μια κατάληξη που δεν πιάστηκε, ένα όνομα που γράφτηκε αλλιώς, τα συνηθισμένα που τα διορθώνετε στο πόδι χωρίς καν να το σκεφτείτε. Μακάρι να ήταν αυτό. Δεν ήταν αυτό.

Λάθος γλώσσα, ολικά. Πολλές φορές μια καθαρά ελληνική φράση αναγνωριζόταν ως ισπανική, κινεζική ή ρωσική. Το αποτέλεσμα δεν ήταν λάθος λέξη, ήταν ακατάληπτο: σωρός από χαρακτήρες που δεν έλεγαν απολύτως τίποτα. Δεν είχατε κάτι να διορθώσετε, είχατε σκουπίδια να σβήσετε και να ξαναρχίσετε από την αρχή. Ένα εργαλείο που αποτυγχάνει έτσι δεν είναι ανακριβές, είναι άχρηστο. Και το χειρότερο; Ότι το καταλαβαίνετε αφού έχετε ήδη μιλήσει. Έχετε δηλαδή πει ολόκληρη τη σκέψη σας, με ένταση, με παύσεις στα σωστά σημεία, και κοιτάτε την οθόνη σαν να σας απάντησε σε γλώσσα που δεν διδαχθήκατε ποτέ.

Μπέρδεμα γλωσσών. Ο λόγος ενός Έλληνα επαγγελματία είναι κυρίως ελληνικός, με σκόρπιες αγγλικές λέξεις ανάμεσα: server, backup, deploy, commit. Έτσι μιλάμε, δεν το κάνουμε για να επιδειχθούμε. Ρωτήστε όποιον έχει καθίσει δίπλα σε προγραμματιστή που εξηγεί τι πήγε στραβά. Τα εμπορικά εργαλεία που δοκιμάσαμε συχνά είτε «διόρθωναν» τις αγγλικές λέξεις σε λάθος ελληνικές, είτε γύριζαν ολόκληρη την πρόταση στα αγγλικά, με το θάρρος εκείνου που ξέρει καλύτερα από εσάς τι θέλατε να πείτε.

Λάθος στίξη. Το ελληνικό ερωτηματικό «;» συχνά δεν έμπαινε σωστά. Οι προτάσεις έβγαιναν σαν ατέλειωτες σειρές λέξεων με σκέτες τελείες, κείμενο που το διαβάζετε και σας τελειώνει ο αέρας πριν από το νόημα. Και μετά κάθεστε να ξαναβάλετε στίξη σε κάτι που υποτίθεται ότι θα σας γλίτωνε από την πληκτρολόγηση.

Ελάχιστη προσαρμογή. Ονόματα εργαλείων, τεχνικοί όροι, ονόματα πελατών: συνήθως λάθος, και χωρίς εύκολο τρόπο να τα μάθετε στο πρόγραμμα. Το ίδιο λάθος, κάθε μέρα, με αξιοζήλευτη συνέπεια. Αν κάτι θαύμασα εκεί, ήταν η επιμονή.

Κλείδωμα σε μία μηχανή. Τα εργαλεία που δοκιμάσαμε δούλευαν με μία μηχανή αναγνώρισης. Αν δεν σας κάνει, δεν έχετε εναλλακτική. Ή το δέχεστε ή το αφήνετε.

Το ζητούμενο ήταν απλό στη διατύπωση και δύσκολο στην υλοποίηση: ένα εργαλείο που καταλαβαίνει πραγματικά ελληνικά, μαζί με το ελληνικό μπέρδεμα με τα αγγλικά, και βάζει σωστή στίξη. Εύκολο να το λέει κανείς. Ας δούμε πώς έγινε.

Πώς δουλεύει

Το VoiceType ζει στη γραμμή εργασιών των Windows. Κρατάτε ένα πλήκτρο, μιλάτε, το αφήνετε, και το κείμενο πληκτρολογείται μόνο του μέσα σε όποια εφαρμογή δουλεύετε εκείνη τη στιγμή: Word, browser, editor κώδικα, chat, οπουδήποτε.

Πρώτα η ομιλία γίνεται κείμενο. Μετά το κείμενο καθαρίζεται από ένα μοντέλο τεχνητής νοημοσύνης σε εξωτερική υπηρεσία: στίξη, ερωτηματικά, κεφαλαία. Δεν μεταφράζεται, οι αγγλικές λέξεις μένουν όπως τις είπατε. Δεν αλλάζει το νόημα. Και το προσωπικό σας λεξιλόγιο γράφεται σωστά, ακόμη κι αν ακούστηκε παραμορφωμένο.

Μπορείτε να διαλέξετε ανάμεσα σε τέσσερις μηχανές αναγνώρισης, από τις οποίες η μία τρέχει στον υπολογιστή σας, χωρίς σύνδεση και χωρίς κόστος ανά λέξη, ενώ οι άλλες τρεις στέλνουν τον ήχο σε εξωτερική υπηρεσία. Και να ορίσετε δύο ανεξάρτητα πλήκτρα, καθένα με τη δική του μηχανή.

Επειδή όμως η «σωστή στίξη» σημαίνει άλλα πράγματα σε άλλες δουλειές, και κανείς δεν υπαγορεύει ένα συμφωνητικό όπως υπαγορεύει ένα μήνυμα, υπάρχει κλίμακα έντασης 1 έως 5: από πολύ συντηρητική, μόνο σίγουρες τελείες, μέχρι πολύ επιθετική, που πιάνει κάθε ερώτηση και κάθε έμφαση.

Αυτό το σημείο αξίζει προσοχή, γιατί εξηγεί κάτι που πολλοί παρανοούν. Όσο μπορούμε να κρίνουμε από έξω, το Wispr Flow δεν πιάνει τα ερωτηματικά επειδή «ακούει» καλύτερα. Τα πιάνει επειδή τα βάζει στην επεξεργασία, μετά την αναγνώριση. Το VoiceType κάνει το ίδιο, με τη διαφορά ότι το ρυθμιστικό είναι στα χέρια σας. Καμία μαγεία, λοιπόν. Κάποιος αποφασίζει πού μπαίνει το ερωτηματικό, και εμείς προτιμήσαμε αυτός ο κάποιος να είστε εσείς.

Και μετά, όπως πάντα, ξέφυγε λίγο

Γρήγορα το εργαλείο έγινε κάτι παραπάνω. Έτσι πάει πάντα: φτιάχνουμε αυτό που μας λείπει, γλυκαινόμαστε και συνεχίζουμε. Απέκτησε πίνακα ελέγχου με λέξεις ανά λεπτό, χρόνο που εξοικονομήθηκε, διορθώσεις, ημερολόγιο συνέπειας, κορυφαίες εφαρμογές και εκτίμηση κόστους ανά μηχανή. Ναι, ένα εργαλείο υπαγόρευσης απέκτησε στατιστικά. Πρόγραμμα είναι, μην μπερδεύεστε, κάπου θα κατέληγε.

Στη δική μας χρήση ο ρυθμός ομιλίας μετριέται γύρω στις 94 λέξεις το λεπτό. Δεν χρειάζεται να ξέρετε πόσο γρήγορα πληκτρολογείτε για να καταλάβετε τη διαφορά: λίγοι πληκτρολογούν με αυτή την ταχύτητα. Και από εκεί και πέρα, απέκτησε και τα μικρά που τελικά είναι τα μεγάλα. Οπτική κυματομορφή πάνω από τον κέρσορα την ώρα που μιλάτε, διακριτική, χωρίς να κλέβει την εστίαση. Ήχους σαν σταγόνα νερού στην έναρξη και τη λήξη, συνθεμένους εσωτερικά. Φωνητικές εντολές που γίνονται μορφοποίηση. Προσωπικό λεξικό αντικαταστάσεων. Τρεις τρόπους εισαγωγής: επικόλληση, πληκτρολόγηση χαρακτήρα προς χαρακτήρα, ή μόνο αντιγραφή στο πρόχειρο. Καμία από αυτές τις λεπτομέρειες δεν πουλά μόνη της. Όλες μαζί όμως είναι η διαφορά ανάμεσα στο «το δοκίμασα» και στο «το χρησιμοποιώ κάθε μέρα».

Το δύσκολο κομμάτι

Το εύκολο ήταν να στείλουμε ήχο σε ένα API (σύνδεση για να μιλάνε δύο προγράμματα). Το δύσκολο ήταν να συμπεριφέρεται σαν πραγματικό πρόγραμμα των Windows: αόρατο, γρήγορο, να μην ενοχλεί. Εκεί κρύβονταν τα πραγματικά προβλήματα, και εκεί πήγε και ο περισσότερος χρόνος. Όπως συνήθως, δηλαδή: η ιδέα στήνεται γρήγορα, η συμπεριφορά θέλει εβδομάδες.

Στην πρώτη εκδοχή ο κέρσορας έφευγε από την εφαρμογή όπου γράφατε, οι ρυθμίσεις χάνονταν σε κάθε εκκίνηση, και η τελευταία λέξη κοβόταν μόλις αφήνατε το πλήκτρο. Και επειδή η τελευταία λέξη είναι συνήθως αυτή που κρατά το νόημα, το πράγμα ενοχλούσε αφάνταστα. Κάποια από αυτά τα προβλήματα ήταν σιωπηλά, που είναι το χειρότερο είδος αποτυχίας: κανένα μήνυμα, κανένα σφάλμα, απλώς δεν γίνεται αυτό που ζητήσατε.

Σήμερα ο κέρσορας μένει εκεί που τον αφήσατε, οι ρυθμίσεις θυμούνται, και η τελευταία λέξη γράφεται ολόκληρη. Αυτές οι λεπτομέρειες είναι που ξεχωρίζουν ένα πρωτότυπο από ένα εργαλείο που το εμπιστεύεστε καθημερινά.

Τι βγήκε τελικά από όλο αυτό

Ένα εσωτερικό εργαλείο που, για τα δικά μας ελληνικά με σκόρπια αγγλικά, μας δίνει καλύτερα αποτελέσματα από τα εμπορικά προγράμματα που δοκιμάσαμε. Όχι επειδή είμαστε καλύτεροι μηχανικοί από εκείνους, ας μη λέμε μεγάλα λόγια, αλλά επειδή λύνει το δικό μας πρόβλημα, που εκείνοι δεν είχαν λόγο να το λύσουν.

Κλείδωμα γλώσσας, ώστε να μη «διορθώνει» τα ελληνικά σε αγγλικά ούτε το αντίστροφο. Επιμέλεια με ρυθμιστικό έντασης. Προσωπικό λεξιλόγιο. Τέσσερις μηχανές, ώστε να διαλέγετε ισορροπία ταχύτητας, κόστους και ακρίβειας χωρίς εξάρτηση από έναν πάροχο. Και επιλογή για το πού πηγαίνουν τα δεδομένα: με την τοπική μηχανή ο ήχος μένει στο μηχάνημα, ενώ οι άλλες μηχανές και η επιμέλεια στέλνουν ήχο ή κείμενο σε εξωτερικές υπηρεσίες.

Το μάθημα όμως είναι πιο γενικό, και είναι το ίδιο που βγαίνει και από το MS-Tools: τα καλά γενικά εργαλεία συχνά χάνουν στις άκρες. Και οι άκρες, μια δεύτερη γλώσσα, ένα εξειδικευμένο λεξιλόγιο, μια συγκεκριμένη στίξη, είναι συχνά ακριβώς εκεί που ζει η δουλειά σας. Στο κέντρο μοιάζουν όλα τέλεια. Στις άκρες κρίνεται η μέρα σας.

Θυμάστε το βαρύγδουπο της αρχής, αυτό που σας είπα να κρατήσετε στην άκρη; Ας το ξαναπιάσουμε τώρα. Ξεκινήσαμε με ένα πρόγραμμα που άκουγε ελληνικά και έγραφε κινέζικα. Καταλήξαμε σε ένα που ακούει ελληνικά και γράφει ελληνικά, με το ερωτηματικό στη θέση του. Όταν το έτοιμο δεν κάνει τη δουλειά, το φτιάχνουμε.

Αν στη δουλειά σας υπάρχει μια εργασία που κανένα έτοιμο εργαλείο δεν κάνει σωστά, αυτό συζητάμε: τι ακριβώς πρέπει να κάνει το εργαλείο, ποια δεδομένα χρειάζεται και ποια λύση ταιριάζει. Συμφωνούμε από την αρχή τι μένει στον υπολογιστή σας και τι στέλνεται σε εξωτερική υπηρεσία. Πείτε μου μέσα από τη φόρμα ποια εργασία σας τρώει τον χρόνο και με τι τη δουλεύετε σήμερα. Η δουλειά αυτή είναι μέρος των AI λύσεων.

Η συνολική εικόνα: το άρθρο αυτό καλύπτει ένα κομμάτι ενός μεγαλύτερου θέματος. Αν ψάχνετε ολόκληρη την εικόνα, από την αρχή ως το τέλος, είναι στον οδηγό για την τεχνητή νοημοσύνη στην επιχείρησή σας.