Η αυτόματη ανίχνευση αστοχεί: καρφίτσωσε τη γλώσσα σου

Αν υπαγορεύεις σε παραπάνω από μία γλώσσα, έχεις δει την αποτυχία. Λες μια πρόταση στα ρουμανικά και η μεταγραφή γυρίζει ως φωνητικά παραμορφωμένα αγγλικά — πραγματικές λέξεις, καμία δική σου. Ή αναποδογυρίζει στη μέση της πρότασης: το πρώτο μισό στη σωστή γλώσσα, το δεύτερο σε κάτι στο οποίο το μοντέλο αποφάσισε ότι άλλαξες. Ή, η προσωπική μου αγαπημένη, η σούπα ανακατεμένων αλφαβήτων — λατινικοί χαρακτήρες με μερικούς κυριλλικούς πασπαλισμένους, σαν να μοίραζε το μοντέλο τα στοιχήματά του γράμμα προς γράμμα.

Αυτό δεν είναι παράπονο για ένα προϊόν. Είναι προβλέψιμος τρόπος αποτυχίας της αυτόματης ανίχνευσης γλώσσας, μαζί και της ρυθμισμένης για αγγλικά προεπιλογής του Keebye. Χτυπάει όσους μιλούν αγγλικά με προφορά και όποιον εναλλάσσει γλώσσες μέσα στη μέρα. Ένας δίγλωσσος developer που το Slack του είναι στα πολωνικά και τα commit messages του στα αγγλικά δίνει στην αυτόματη ανίχνευση ακριβώς τα ανάμεικτα σήματα που χειρίζεται χειρότερα.

Το δεύτερο μισό του παραπόνου είναι πιο ήσυχο αλλά εξίσου πραγματικό: όταν μια ρύθμιση γλώσσας όντως υπάρχει, συχνά είναι θαμμένη. Τρία μενού βαθιά, πίσω από έναν επιλογέα μηχανής, πέρα από έναν διακόπτη του οποίου το όνομα δεν αναφέρει καν γλώσσα. Αν αλλάζεις γλώσσα είκοσι φορές τη μέρα, μια θαμμένη ρύθμιση είναι πρακτικά καμία ρύθμιση.

Θέλω να εξηγήσω γιατί συμβαίνει η ταλάντευση — χρησιμοποιώντας την ιστορία πολέμου του ίδιου μου του προϊόντος, επειδή το Keebye είχε αυτό το πρόβλημα πριν έχει τη λύση — και μετά να δείξω πώς μοιάζει μια πραγματική λύση.

Γιατί ταλαντεύεται η αυτόματη ανίχνευση (και γιατί δεν είναι ακριβώς bug)

Να η ειλικρινής μηχανική. Τα σύγχρονα μοντέλα ομιλίας κάνουν αναγνώριση γλώσσας σιωπηλά, ως μέρος της αποκωδικοποίησης. Το μοντέλο ακούει, σχηματίζει μια εσωτερική εικασία για το ποια γλώσσα ακούει, και αποκωδικοποιεί με βάση αυτή την εικασία. Όταν ο ήχος είναι καθαρός, χωρίς προφορά και μονόγλωσσος, αυτό δουλεύει τόσο καλά που δεν το σκέφτεσαι ποτέ.

Τώρα δώσ' του πραγματική ομιλία. Μια προφορά μετατοπίζει τα φωνήεντα προς τα φωνήματα άλλης γλώσσας. Μια πρόταση περιέχει τρεις αγγλικές δάνειες λέξεις — κάθε τεχνική συζήτηση περιέχει. Υπάρχει ένα παιδί στο βάθος, ή είσαι σε μικρόφωνο laptop. Καθένα από αυτά κάνει την εσωτερική γλωσσική εικασία του μοντέλου λιγότερο σίγουρη, και μια εικασία χαμηλής βεβαιότητας μπορεί να αναποδογυρίσει ανάμεσα σε frames. Όταν αναποδογυρίζει, αναποδογυρίζει μαζί της και η αποκωδικοποίηση, και παίρνεις μια μεταγραφή που αλλάζει γλώσσα στη μέση της σκέψης.

Το κρίσιμο σημείο: στα περισσότερα εργαλεία δεν υπάρχει τίποτα που να αγκυρώνει αυτή την εικασία. Το μοντέλο αποφασίζει, σιωπηλά, ανά εκφώνηση, και εσύ δεν έχεις παράκαμψη. Αυτό δεν είναι bug κάποιας εφαρμογής — είναι το τι είναι η σιωπηλή αυτόματη ανίχνευση. Ένα μοντέλο που παίρνει μια απόφαση που δεν μπορείς να διορθώσεις.

Το ξέρω αυτό από πρώτο χέρι επειδή η προεπιλεγμένη μηχανή του Keebye έχει ακριβώς αυτή την ιδιότητα. Το Parakeet, η ρυθμισμένη για αγγλικά προεπιλογή μας, αγνοεί κάθε υπόδειξη γλώσσας στο επίπεδο της αποκωδικοποίησης — δεν μπορείς να του πεις τι πρόκειται να πεις. Σε καθαρά αγγλικά είναι εξαιρετικό, γι' αυτό και είναι η προεπιλογή. Σε ασαφή ήχο μπορεί να ταλαντευτεί ανάμεσα σε γλώσσες όπως όλα τα άλλα στην κατηγορία. Το λέω αυτό πρώτα για το δικό μου προϊόν, επειδή η λύση βγάζει νόημα μόνο αφού δεχτείς ότι το πρόβλημα ζει στην αρχιτεκτονική, όχι στην τσαπατσουλιά κάποιου ανταγωνιστή.

Τι κάνει πραγματικά το καρφίτσωμα μιας γλώσσας;

Η λύση είναι να πάψεις να ζητάς από το μοντέλο να μαντέψει. Το Keebye έρχεται με μια δεύτερη on-device μηχανή — το Canary 1B v2 της NVIDIA, κβαντισμένο σε int8 — που καλύπτει ακριβώς 25 γλώσσες: Βουλγαρικά, Κροατικά, Τσεχικά, Δανικά, Ολλανδικά, Αγγλικά, Εσθονικά, Φινλανδικά, Γαλλικά, Γερμανικά, Ελληνικά, Ουγγρικά, Ιταλικά, Λετονικά, Λιθουανικά, Μαλτεζικά, Πολωνικά, Πορτογαλικά, Ρουμανικά, Σλοβακικά, Σλοβενικά, Ισπανικά, Σουηδικά, Ρωσικά και Ουκρανικά. Σε αντίθεση με την προεπιλεγμένη μηχανή, το Canary δέχεται οδηγία γλώσσας και την τηρεί.

Το Keebye το εκθέτει αυτό ως καρφίτσωμα: μια ρητή ρύθμιση γλώσσας που περνάει στη μηχανή Canary για κάθε εκφώνηση. Καρφίτσωσε τα ρουμανικά και ο αποκωδικοποιητής χρησιμοποιεί ρουμανικά αντί να κάνει αυτόματη γλωσσική επιλογή. Η αναγνώριση μπορεί και πάλι να είναι λάθος, ιδίως γύρω από δάνειες λέξεις και θορυβώδη ήχο, αλλά η επιλογή γλώσσας δεν είναι πια ανεξέλεγκτη εικασία.

Η ρύθμιση διαβάζεται ζωντανά, ανά υπαγόρευση. Άλλαξέ την και η επόμενη υπαγόρευση με κράτημα χρησιμοποιεί τη νέα γλώσσα χωρίς επανεκκίνηση της εφαρμογής. Αυτό μετράει περισσότερο απ' ό,τι ακούγεται: ένας έλεγχος γλώσσας είναι πολύ πιο χρήσιμος όταν η αλλαγή του δεν διακόπτει τη δουλειά.

Και επειδή το Canary τρέχει on-device όπως όλα τα άλλα στο Keebye, το καρφίτσωμα δεν σου κοστίζει την ιστορία του απορρήτου. Το μοντέλο είναι περίπου 1,3 GB, κατεβαίνει μία φορά· μετά από αυτό τα ρουμανικά σου, τα πολωνικά σου, τα ουκρανικά σου δεν φεύγουν ποτέ από το μηχάνημα. (Το γιατί πιστεύουμε ότι η τοπική πολυγλωσσική υπαγόρευση έχει σημασία εξαρχής είναι δικό του κείμενο — η υπαγόρευση δεν πρέπει να είναι μόνο στα αγγλικά. Αυτό εδώ είναι η πρακτική του συνέχεια: εκείνο το κείμενο υπερασπίζεται τις γλώσσες, αυτό αφορά το να γίνουν πραγματικά χρησιμοποιήσιμες.)

Δύο κλικ, όχι τρία μενού βαθιά

Ένα καρφίτσωμα που δεν φτάνεις είναι ένα καρφίτσωμα που δεν θα χρησιμοποιήσεις, οπότε η εναλλαγή ζει στο tray. Το εικονίδιο του Keebye στη γραμμή μενού έχει ένα μενού «Dictation Language» με μια επιμελημένη σύντομη λίστα 11 γλωσσών — Αγγλικά, Ρουμανικά, Γαλλικά, Γερμανικά, Ισπανικά, Ιταλικά, Πορτογαλικά, Ολλανδικά, Πολωνικά, Ρωσικά, Ουκρανικά. Δύο κλικ από οποιαδήποτε εφαρμογή: κλικ στο tray, κλικ στη γλώσσα. Δεν ανοίγεις τις Ρυθμίσεις, δεν φεύγεις από το παράθυρο στο οποίο δούλευες.

Η πλήρης λίστα των 25 γλωσσών ζει στις Ρυθμίσεις, για τις γλώσσες εκτός της σύντομης λίστας. Η σύντομη λίστα όμως καλύπτει την καθημερινή πραγματικότητα των περισσότερων δίγλωσσων εργασιών: γράφεις στην ομάδα σου σε μία γλώσσα και σε έναν πελάτη ή σε έναν AI agent σε άλλη, και χρειάζεσαι η εναλλαγή να μην κοστίζει τίποτα.

Υπάρχει ακόμη μία επιλογή που αξίζει να ξέρεις, επειδή αλλάζει τελείως τον τρόπο που κάποιοι χρησιμοποιούν το καρφίτσωμα: ένας διακόπτης μετάφρασης στα αγγλικά. Μιλάς στη γλώσσα σου, στον κέρσορα προσγειώνονται αγγλικά — ίδια μηχανή, ίδια on-device εκτέλεση. Αν ο εσωτερικός σου μονόλογος τρέχει στα ρουμανικά αλλά η έξοδός σου πρέπει να είναι στα αγγλικά (commit messages, prompts σε έναν agent κώδικα, απαντήσεις σε μια διεθνή ομάδα), αυτό καταργεί το βήμα της μετάφρασης που έκανες στο μυαλό σου. Το χρησιμοποιώ περισσότερο απ' ό,τι περίμενα.

Τι σου κοστίζει το καρφίτσωμα

25 γλώσσες είναι 25 γλώσσες. Τα cloud εργαλεία υπαγόρευσης απαριθμούν πολύ περισσότερες, επειδή η αποστολή ήχου σε ένα μεγάλο μοντέλο στην πλευρά του server είναι ο φθηνός τρόπος να προσθέτεις γλώσσες. Αυτός είναι ο πραγματικός συμβιβασμός του on-device: ένα μοντέλο που χωράει στο Mac σου καλύπτει λιγότερο κόσμο από ένα μοντέλο που γεμίζει ένα datacenter. Αν η γλώσσα σου δεν είναι στη λίστα των 25, η πολυγλωσσική μηχανή του Keebye δεν σε καλύπτει σήμερα, και προτιμώ να το πω παρά να στρογγυλοποιήσω.

Καρφίτσωμα σημαίνει καρφίτσωμα. Αυτή είναι η άλλη όψη του ντετερμινισμού, και θέλω να το πω ξεκάθαρα: αν καρφιτσώσεις τα ρουμανικά και μετά μιλήσεις αγγλικά, το Keebye θα αποκωδικοποιήσει πιστά λανθασμένα τα αγγλικά σου ως ρουμανικά μέχρι να αλλάξεις. Η μηχανή κάνει ακριβώς αυτό που της είπες. Όλη η γοητεία της αυτόματης ανίχνευσης ήταν ότι δεν θα χρειαζόταν ποτέ να το σκεφτείς αυτό — το καρφίτσωμα ανταλλάσσει εκείνη την ευκολία με προβλεψιμότητα. Κατά την εμπειρία μου η ανταλλαγή αξίζει, επειδή μια λανθασμένη εικασία που δεν μπορείς να ελέγξεις είναι χειρότερη από μια λανθασμένη ρύθμιση που μπορείς να διορθώσεις σε δύο κλικ. Είναι όμως ανταλλαγή, όχι δωρεάν γεύμα.

Η σύντομη λίστα στο tray έχει 11 γλώσσες, όχι 25. Αν το καθημερινό σου ζευγάρι περιλαμβάνει, ας πούμε, φινλανδικά ή ελληνικά, θα περνάς από τις Ρυθμίσεις για τη μία πλευρά του. Η επιμέλεια σημαίνει ότι η γλώσσα κάποιου δεν μπήκε στο γρήγορο μενού.

Πού αφήνει αυτό το παράπονο

Το παράπονο σε επίπεδο κατηγορίας — «η υπαγόρευσή μου βγαίνει συνέχεια σε λάθος γλώσσα» — είναι στην πραγματικότητα παράπονο για σιωπηλές αποφάσεις. Το μοντέλο μάντεψε, η εικασία ήταν λάθος, και δεν υπήρχε τρόπος να του πεις κάτι διαφορετικό. Κάθε λύση που διατηρεί το μάντεμα (καλύτερη ανίχνευση, μεγαλύτερα παράθυρα ήχου, κατώφλια βεβαιότητας) απλώς κάνει την αποτυχία σπανιότερη και πιο παράξενη. Η λύση που τελειώνει πραγματικά το παράπονο είναι να δώσεις πίσω την απόφαση στον χρήστη.

Αν αυτή τη στιγμή το ζεις με κάποιο άλλο εργαλείο, οι σελίδες σύγκρισής μας είναι ειλικρινείς για το πού ταιριάζει το καθένα — το Keebye vs Superwhisper και το Keebye vs Wispr Flow καλύπτουν και τα δύο το ζήτημα της γλώσσας ανάμεσα σε άλλα. Για να δοκιμάσεις το ίδιο το καρφίτσωμα, ξεκίνα τη δωρεάν δοκιμή σου παρακάτω, ξαναπές τη ρουμανική ή πολωνική πρόταση από την αρχή αυτού του άρθρου, και δες πόση από την ταλάντευση ερχόταν από μια ανεξέλεγκτη εικασία και όχι από την προφορά σου.