זיהוי דיבור לנייד: ממשקי API מקוריים מול שירותי ענן
מטופל מכתיב תסמינים לאפליקציה רפואית – הטקסט חייב להופיע מיידית, ללא שגיאות במינוח רפואי. בפועל, אנו עומדים בפני דילמה: זיהוי במכשיר נותן זמן השהיה של 200 אלפיות השנייה ועובד ללא אינטרנט, אך אוצר המילים מוגבל; זיהוי בענן מדויק יותר אך דורש אינטרנט ועולה כסף. יישמנו את שני התרחישים ב-15 פרויקטים ואנו יודעים איזו גישה מתאימה לכל מקרה. פנו אלינו להערכה חינמית לבחירת ארכיטקטורת STT אופטימלית לאפליקציה שלכם.
יישום אפליקציית דיבור לטקסט לנייד: ממשקי API מקוריים
ב-iOS אנו משתמשים ב-SFSpeechRecognizer – ממשק API מובנה עם תמיכה במכשיר מ-iOS 13 ל-11 שפות. עבור רוסית, זיהוי במכשיר אינו זמין, ולכן בקשות נשלחות לשרתי Apple. מגבלות: דקה אחת לכל בקשה, כ-1000 בקשות ביום למכשיר ללא הסכם בתשלום. באנדרואיד – SpeechRecognizer, המאפשר זיהוי רוסית לא מקוון על ידי התקנת חבילת שפה (80–200 מגה-בייט).
let recognizer = SFSpeechRecognizer(locale: Locale(identifier: "ru-RU"))
let request = SFSpeechAudioBufferRecognitionRequest()
request.requiresOnDeviceRecognition = false // для русского — облако
request.shouldReportPartialResults = trueהפרמטר let recognizer = SFSpeechRecognizer(locale: Locale(identifier: "ru-RU")) let request = SFSpeechAudioBufferRecognitionRequest() request.requiresOnDeviceRecognition = false // для русского — облако request.shouldReportPartialResults = true קריטי לחוויית המשתמש: המשתמש רואה טקסט בזמן הדיבור.
STT במכשיר מול זיהוי דיבור בענן: מה לבחור?
זיהוי במכשיר אינו דורש רשת, זמן השהיה מינימלי, אך דיוק נמוך יותר למונחים מורכבים ומשפטים ארוכים. שירותי ענן (Whisper, Google Cloud STT, Yandex SpeechKit) נותנים עד 95% דיוק ברוסית, אך מוסיפים זמן השהיה של 1–3 שניות ועלות לכל בקשה. זיהוי במכשיר זול פי 5–10 מענן אך פחות מדויק ב-10–15%. הבחירה תלויה בקריטיות של מצב לא מקוון ובתקציב. לפקודות קצרות, זיהוי במכשיר בדרך כלל מספיק; לתמלול שיחות, רק ענן עובד. למרות חיסכון לכאורה, זיהוי במכשיר עשוי לדרוש עלויות פיתוח ובדיקות נוספות בשל מגבלות אוצר מילים ודיוק. בתרחישים מסוימים, כמו אוצר מילים מתמחה (מונחים רפואיים, משפטיים, טכניים), זיהוי במכשיר נותן שיעורי שגיאה גבוהים באופן בלתי מקובל. שירותי ענן עם מילונים מותאמים אישית פותרים זאת בגמישות ועם עדכוני מודל קבועים.
| קריטריון | במכשיר | STT בענן |
|---|---|---|
| אינטרנט | לא נדרש | נדרש |
| זמן השהיה | < 200 אלפיות השנייה | 1–3 שניות |
| דיוק (רוסית) | 80–85% | 90–95% |
| מילון מותאם אישית | מוגבל | תמיכה מלאה |
| עלות | חינם | תשלום לכל בקשה |
ממשקי API מקוריים: פרטי יישום
| מאפיין | iOS SFSpeechRecognizer | Android SpeechRecognizer |
|---|---|---|
| תמיכה ברוסית במכשיר | לא | כן (עם חבילה) |
| הרשאות נוספות | 2 ב-Info.plist | הרשאת מיקרופון |
| מגבלות | דקה אחת / 1000 בקשות ביום | אין מגבלה קבועה |
| מילון מותאם אישית | דרך SFSpeechRecognitionTaskHint | דרך רמזי ביטויים (API) |
זיהוי סטרימינג מול אצווה: בחירות יישום
אצווה (הקלטה → עצירה → זיהוי) פשוטה יותר ליישום אך בעלת חוויית משתמש גרועה יותר. סטרימינג – טקסט מופיע בזמן שהמשתמש מדבר. סטרימינג ב-iOS מיושם דרך shouldReportPartialResults = true עם SFSpeechAudioBufferRecognitionRequest מ-append(buffer:):
inputNode.installTap(onBus: 0, bufferSize: 1024, format: format) { buffer, _ in request.append(buffer) } עבור Yandex SpeechKit, סטרימינג משתמש ב-WebSocket עם אודיו מפולח ב-PCM 16 קילו-הרץ 16 ביט, פלחים של 200–400 אלפיות השנייה.
STT עם מילון מותאם אישית: שיפור דיוק עם רמזי ביטויים
אם דיוק ממשק ה-API המקורי אינו מספק, הוסיפו מילונים מותאמים אישית. ב-Yandex SpeechKit זה PhraseSuggestions, ב-Google Cloud Speech-to-Text – SpeechAdaptation. בפועל, לאחר הוספת 3000 קודי מוצרים באפליקציית קלט קולי ללקוח מחסן, דיוק הזיהוי לקודי מוצרים עלה מ-61% ל-89%, וחסך כ-$140–200 ($170) בחודש על תיקונים ידניים. בפרויקט אחרון, השגנו רווחים דומים לאפליקציה רפואית. ב-iOS, ניתן להגביל אוצר מילים דרך SFSpeechRecognitionTaskHint.
מקרה בוחן: אפליקציית מילוי טפסים קולית במחסן
אחד הלקוחות שלנו, מפעיל מחסן גדול, נזקק להזנת נתונים ללא ידיים. התחלנו עם Android STT מקורי עם חבילת רוסית לא מקוונת. בעיה: קודי SKU ספציפיים, למשל "מאמר 7788-ABC", זוהו בצורה גרועה. פתרון: Yandex SpeechKit עם מילון מותאם אישית של 3000 קודי מוצרים. הדיוק בקודי מוצרים עלה מ-61% ל-89%. בנוסף: עלות עיבוד כ-$0.004 לכל 15 שניות אודיו, שב-5000 הקלטות ביום הוא ~$20 ליום. הפתרון חסך ללקוח כ-$1,200 בחודש בעלויות הזנת נתונים ידניות. הזמינו ייעוץ טכני לבחירת STT לעסק שלכם – נעזור לחשב יעילות כלכלית.
תכונות עיקריות של מודול ה-STT:
- סטרימינג בזמן אמת עם תוצאות חלקיות
- גיבוי לא מקוון לזיהוי במכשיר
- תמיכה באוצר מילים מותאם אישית דרך רמזי ביטויים
- זיהוי שפה אוטומטי (רוסית/אנגלית)
הרשאות וחוויית משתמש
ב-iOS, AVAudioEngine ו-inputNode.installTap(onBus: 0, bufferSize: 1024, format: format) { buffer, _ in request.append(buffer) } הם חובה ב-Info.plist. בקשו הרשאות לפני השימוש הראשון – דרך NSMicrophoneUsageDescription ו-NSSpeechRecognitionUsageDescription. מחוון הקלטה בממשק המשתמש הוא חיוני: גל אנימציה או מחוון פועם מאפשר למשתמש לדעת שהוא נשמע.
מה כלול בעבודת שילוב STT
- ניתוח מקרי שימוש ובחירת ממשק ה-API האופטימלי (במכשיר / ענן / היברידי)
- עיצוב ארכיטקטורה עם שמירה במטמון לא מקוון וגיבוי
- יישום שילוב עם שירותים מקוריים או ענן, כולל מילונים מותאמים אישית
- הקמת סביבת בדיקה ובדיקת דיוק על מדגם מייצג (50+ הקלטות)
- הכנת תיעוד על הרשאות, תצורת פרויקט, המלצות ממשק משתמש (מחוון הקלטה)
- שילוב עם CI/CD (TestFlight, Firebase App Distribution)
- הדרכת צוות הלקוח על שימוש ברכיב
- תמיכה לאחר שחרור וניטור איכות זיהוי
התהליך
- ניתוח מקרי שימוש ובחירת ממשק ה-API האופטימלי (במכשיר / ענן / היברידי).
- עיצוב ארכיטקטורה תוך התחשבות במצב לא מקוון ושמירה במטמון.
- יישום שילוב עם שירותים מקוריים או ענן, כולל מילונים מותאמים אישית.
- בדיקת דיוק על מדגם מייצג (50+ הקלטות).
- הקמת CI/CD לבנייה עם TestFlight ו-Firebase App Distribution.
- הכנת תיעוד על הרשאות ותצורת פרויקט.
- תמיכה לאחר שחרור וניטור איכות זיהוי.
לוחות זמנים משוערים
STT מקורי (iOS/Android) עם ממשק משתמש – 3–7 ימים. סטרימינג עם ממשק API בענן ומילון מותאם אישית – 1–3 שבועות. העלות מחושבת באופן אישי – פנו להערכת פרויקט מפורטת.
אנו מבטיחים דיוק זיהוי של לפחות 90% לתרחיש הנבחר. למהנדסים שלנו יש הסמכות Apple (iOS) ו-Google (Android) וניסיון של 10+ שנים בפיתוח מובייל. השלמנו 40+ פרויקטים עם שילוב דיבור לטקסט.