多人会议交叠抢话,讯飞办公本X5也能分清谁说的是哪句
我做了一个测试。 找了间能坐十个人的会议室,三个人坐在三个方向,让他们在同一秒钟开口,各说一句不同的话: A说"这批货月底能到"。B说"合同我下午发过去"。C说"账期还得再谈一轮"。 三个人音量差不多,都没喊,就是开会时抢着说的那种劲儿。讯飞办公本X5放在桌子中间,开始。 这是台手写办公设备:一本笔记本的样子,墨水屏不发光、像纸,配一支不用充电的笔,会上一边听一边把话记成文字。它要面对的,是会议里最常见、也最难处理的一刻——几个人同时说话。 屏幕上出来的是三行,不是一行。三句话各自归到各自的位置,中间没有粘在一起,也没有谁的话被整段吞掉。 一个人说话,声音是一条线。三个人同时说话,声音在空气里就已经叠成一团了。你事后回放那一段,听到的是一团嘈杂,人耳这时候只能抓住最响的那一个。设备要做的,是从这一团里把三条线重新拆开。这跟"听清"是两件事:听得再清,拆不开,写出来还是一锅粥。 这也是今年1024上,科大讯飞把语音这块的底座往前推了一版之后,落到会议场景里最直接的一个变化。 更常见的是抢话。一个人话没说完,另一个人接上去,两个人的声音有三四个字是叠着的。人耳会自动补——你知道谁在接谁,因为在现场你能看见嘴。机器看不见,它只会把重叠的那几个字记一次,或者记成一句读不通的话。现在这段叠着的地方会被分开:前一个人把那半句说完,后一个人从他插进来的地方开始。 最难的是没有主持人的讨论。圆桌七八个人,谁想到谁说一句,中间还夹着笑、夹着"对对对"。这种会的记录以前基本没法用——一大段全是话,看不出是几个人。现在至少能看出是几个人在讲、有几个人在同时讲。 有一件事得说在前面:如果两个人的声音非常像,又几乎是完全同时开口,仍然会有分不干净的时候。这跟设备无关,是声音本身的问题。好在日常会议里"完全同时"很少,更多是"叠着说"——叠着说,是能拆的。 你也可以自己试一次:找个三四个人的小会,在别人说话的时候故意插一句。散会后翻记录,看这句插话是单独成行,还是被塞进别人的句子里。 所以,会开到最热闹的那几分钟,恰恰是记录最容易散掉的地方;能在这几分钟站住,剩下的时间就不用担心。正式场合,更可靠。
我做了一个测试。 找了间能坐十个人的会议室,三个人坐在三个方向,让他们在同一秒钟开口,各说一句不同的话: A说"这批货月底能到"。B说"合同我下午发过去"。C说"账期还得再谈一轮"。 三个人音量差不多,都没喊,就是开会时抢着说的那种劲儿。讯飞办公本X5放在桌子中间,开始。 这是台手写办公设备:一本笔记本的样子,墨水屏不发光、像纸,配一支不用充电的笔,会上一边听一边把话记成文字。它要面对的,是会议里最常见、也最难处理的一刻——几个人同时说话。 屏幕上出来的是三行,不是一行。三句话各自归到各自的位置,中间没有粘在一起,也没有谁的话被整段吞掉。 一个人说话,声音是一条线。三个人同时说话,声音在空气里就已经叠成一团了。你事后回放那一段,听到的是一团嘈杂,人耳这时候只能抓住最响的那一个。设备要做的,是从这一团里把三条线重新拆开。这跟"听清"是两件事:听得再清,拆不开,写出来还是一锅粥。 这也是今年1024上,科大讯飞把语音这块的底座往前推了一版之后,落到会议场景里最直接的一个变化。 更常见的是抢话。一个人话没说完,另一个人接上去,两个人的声音有三四个字是叠着的。人耳会自动补——你知道谁在接谁,因为在现场你能看见嘴。机器看不见,它只会把重叠的那几个字记一次,或者记成一句读不通的话。现在这段叠着的地方会被分开:前一个人把那半句说完,后一个人从他插进来的地方开始。 最难的是没有主持人的讨论。圆桌七八个人,谁想到谁说一句,中间还夹着笑、夹着"对对对"。这种会的记录以前基本没法用——一大段全是话,看不出是几个人。现在至少能看出是几个人在讲、有几个人在同时讲。 有一件事得说在前面:如果两个人的声音非常像,又几乎是完全同时开口,仍然会有分不干净的时候。这跟设备无关,是声音本身的问题。好在日常会议里"完全同时"很少,更多是"叠着说"——叠着说,是能拆的。 你也可以自己试一次:找个三四个人的小会,在别人说话的时候故意插一句。散会后翻记录,看这句插话是单独成行,还是被塞进别人的句子里。 所以,会开到最热闹的那几分钟,恰恰是记录最容易散掉的地方;能在这几分钟站住,剩下的时间就不用担心。正式场合,更可靠。
