Prepis v dvoch krokoch: najprv rýchly náhľad, potom presný text

Jednu z prvých otázok pri vývoji prepisu nám nepoložilo laboratórium, ale ambulancia. Keď lekár začne hovoriť, potrebuje vedieť, že systém funguje. Ak by niekoľko minút rozprával a obrazovka ostala prázdna, nevedel by, či mikrofón sníma, či aplikácia nahráva a či sa jeho hlas do systému vôbec dostáva.

Najjednoduchšie by bolo zobrazovať text priamo počas hovorenia. Lenže pri rozpoznávaní reči platí, že systém sa rozhoduje lepšie, keď pozná širší kontext. Menej bežné slovo, názov lieku či odborný pojem často dáva zmysel až vtedy, keď je jasné, o čom sa hovorilo pred ním a po ňom.

Preto sme nevyberali medzi rýchlosťou a presnosťou. Prepis vzniká v dvoch krokoch.

Prvý krok: živý náhľad

Pri nahrávaní cez centrálny mikrofón sa text objavuje priebežne počas rozhovoru. Lekár tak hneď vidí, že systém jeho hlas zachytáva. Ak je mikrofón zle nastavený alebo je zvuk príliš slabý, prejaví sa to už počas vyšetrenia, nie až na konci.

Živý náhľad je však naozaj len náhľad. Vzniká rýchlo, a preto s menším kontextom. Nepovažujeme ho za konečný výsledok a dekurz sa z neho nevytvára.

Druhý krok: presný prepis

Keď lekár hlasový vstup zastaví, systém spracuje celý zachytený rozhovor ešte raz, tentoraz naraz a so všetkým kontextom. Výsledný presný prepis nahradí náhľad a práve z neho vzniká návrh dekurzu.

Pre lekára to znamená, že text, ktorý videl počas rozhovoru, sa po zastavení môže zmeniť. Niektoré slová sa opravia a výraz, ktorý v náhľade nedával zmysel, môže v presnom prepise sedieť. Väčší kontext pritom nie je zárukou bezchybného výsledku, len lepším východiskom.

Po zastavení aplikácia chvíľu spracúva a potom presný prepis zobrazí. Lekár ho má pred sebou skôr, než z neho vznikne dekurz.

Pri iných spôsoboch nahrávania, napríklad zo zvukového súboru, sa živý náhľad nezobrazuje a po skončení sa rovno objaví presný prepis.

Čo pomáha kvalite prepisu

Kvalitu prepisu ovplyvňuje aj to, čo je mimo samotnej umelej inteligencie: zrozumiteľnosť reči, kvalita mikrofónu a hluk v miestnosti. Najlepšie výsledky dosahuje systém pri zrozumiteľnom rozhovore a kvalitnom zvukovom vstupe. Ak je to možné, oplatí sa mať mikrofón čo najbližšie k tým, ktorí hovoria.

Prečo nečakať až do konca

Technicky by bolo jednoduchšie náhľad vôbec nerobiť. AMBULANCIA.AI však nevzniká ako nástroj na prepis hotových nahrávok. Má fungovať počas skutočnej práce v ambulancii, a tam je okamžitá spätná väzba dôležitá. Živý text nie je efekt, ktorý má ukázať, že „AI pracuje“. Je to jednoduchý ukazovateľ, že sa hlas do systému naozaj dostáva.

Prepis je medzikrok, nie hotový dokument

Od začiatku oddeľujeme prepis od výsledného dekurzu. Prepis je pracovný podklad, ktorý má lekár pred sebou. Až z neho vzniká návrh štruktúrovaného dekurzu, a ani ten nie je hotovým záznamom, kým ho lekár neskontroluje a nepotvrdí.

Toto oddelenie nám pomáha aj vo vývoji. Keď sa v dekurze objaví chyba, vieme hľadať, či vznikla pri zachytení zvuku, v prepise, alebo až pri tvorbe dekurzu. Bez toho by sme opravovali naslepo.

Presnosť však nie je len o správne napísaných slovách. Oveľa zákernejšie je, keď v prepise niečo chýba. O tom je ďalšia časť série.