Hvordan Voice Logging AI Forstår Naturlig Språk for Matregistrering

Å si "Jeg har nettopp hatt to eggerøre med cheddar på fullkornsbrød" inn i telefonen og se det dukke opp som et fullstendig logget måltid med nøyaktige makroer føles nesten magisk. Bak denne sømløse opplevelsen ligger en sofistikert naturlig språkbehandlingspipeline som konverterer rå lyd til strukturert ernæringsdata på under to sekunder. Å forstå denne pipelinen forklarer hvorfor stemmelogging har blitt en av de raskeste og mest nøyaktige måtene å spore hva du spiser.

Voice logging AI bruker en flertrinns NLP-pipeline — automatisk talegjenkjenning (ASR), intensjonsklassifisering, navngitt enhetsgjenkjenning (NER), matdisambiguering, kvantitetsnormalisering, databasemapping og konfidensvurdering — for å konvertere talte måltidsbeskrivelser til presise, verifiserte ernæringsoppføringer.

Denne artikkelen tar for seg hvert trinn i pipelinen, forklarer den underliggende teknologien, og viser nøyaktig hvordan en enkelt talte setning blir en komplett matloggoppføring.

Den Syv-Trinns NLP-Pipelinen for Stemmematlogging

Stemmesbasert matregistrering er ikke en enkelt algoritme. Det er en kjede av spesialiserte modeller, hvor hver løser en annen del av problemet. Når du sier en måltidsbeskrivelse, passerer ordene dine gjennom syv distinkte behandlingsstadier før en ernæringsoppføring vises i loggen din.

Tabellen nedenfor viser en enkelt ytring gjennom hele pipelinen:

Trinn	Prosess	Inndata	Utdata
1. ASR	Tale-til-tekst	Lydkurve	"to eggerøre med cheddar på fullkornsbrød"
2. Intensjonsgjenkjenning	Klassifisere brukerens intensjon	Rå transkripsjon	Intensjon: matlogging (konfidens 0.97)
3. NER	Ekstrahere mat-enheter	Klassifisert transkripsjon	[eggerøre, cheddar, fullkornsbrød]
4. Disambiguering	Løse tvetydige enheter	Rå mat-enheter	[eggerøre (USDA: 01132), cheddarost (USDA: 01009), fullkornsbrød, ristet (USDA: 20090)]
5. Kvantitetsnormalisering	Standardisere mengder	"to", standard porsjon	[2 store egg (100g), 1 skive cheddar (28g), 2 skiver brød (56g)]
6. Databasemapping	Matche med verifiserte oppføringer	Disambiguerte enheter + mengder	Fullstendige ernæringsprofiler med kalorier, protein, fett, karbohydrater, mikronæringsstoffer
7. Konfidensvurdering	Vurdere sikkerhet	Alle pipelinens utdata	Total konfidens: 0.94 — logges automatisk

Hvert trinn er avhengig av forskjellige maskinlæringsteknikker, og feil på noe trinn påvirker de etterfølgende. Å få hele pipelinen til å fungere riktig er det som skiller pålitelig stemmelogging fra frustrerende gjetting.

Trinn 1: Automatisk Talegjenkjenning (ASR) — Konvertering av Lyd til Tekst

Den første utfordringen er å konvertere en rå lydkurve til tekst. Moderne ASR-systemer bruker transformer-baserte arkitekturer — den samme familien av modeller som ligger bak store språkmodeller som GPT og Claude — trent på hundretusener av timer med flerspråklig tale-data.

Hvordan ASR Fungerer for Matbeskrivelser

ASR-modeller behandler lyd i tre faser:

1. Funksjonsutvinning: Den rå lydkurven konverteres til et spektrogram, en visuell representasjon av lydfrekvenser over tid. Spektrogrammet deles deretter inn i overlappende rammer, vanligvis 25 millisekunder brede med en 10-millisekunders stride.

2. Encoder-behandling: En transformer-encoder behandler spektrogramrammene, og lærer kontekstuelle relasjoner mellom lyder. Modellen forstår for eksempel at fonemsekvensen for "cheddar" er mer sannsynlig i konteksten av matrelatert tale enn "chedder" eller "checker."

3. Decoder-generering: En transformer-decoder genererer den mest sannsynlige tekstsekvensen, ved å bruke beam search for å evaluere flere hypoteser samtidig. Dekoderen anvender språkmodellens sannsynligheter for å løse akustiske tvetydigheter.

Moderne ASR-systemer som Whisper (OpenAI, 2022) oppnår ordfeilrater under 5 prosent på ren engelsk tale. For matspesifikke ordforråd kan finjustering på måltidsbeskrivelser øke nøyaktigheten ytterligere, med ordfeilrater under 3 prosent på vanlige matbegreper.

Utfordringen med Matordforråd

Matordforrådet presenterer unike ASR-utfordringer:

• Låneord og fremmedord: Ord som "gnocchi," "tzatziki," og "acai" følger uttalereglene fra sine kildespråk.
• Homofoner: "Flower" vs. "flour," "leek" vs. "leak," "mussel" vs. "muscle."
• Merkenavn: Tusenvis av proprietære matvaremerker som kanskje ikke vises i generell treningsdata.
• Regionale uttaler: "Pecan" uttales forskjellig i ulike engelsktalende regioner.

Finjustering av ASR-modeller på matdomene-datasett — som vanligvis inneholder 5 000 til 50 000 timer med matrelatert tale — adresserer disse utfordringene ved å lære modellen de statistiske mønstrene som er spesifikke for måltidsbeskrivelser.

Trinn 2: Intensjonsgjenkjenning — Er Dette en Forespørsel om Matlogging?

Ikke alt brukeren sier til en ernæringsapp er en måltidsbeskrivelse. Intensjonsgjenkjenning klassifiserer transkripsjonen i en av flere kategorier:

Intensjon	Eksempel Ytring	Handling
matlogging	"Jeg hadde en kylling Caesar-salat til lunsj"	Rute til NER-pipeline
vannlogging	"Jeg drakk to glass vann"	Logg vanninntak
spørsmål	"Hvor mange kalorier er det i en avokado?"	Rute til AI-assistent
korreksjon	"Faktisk var det brune ris, ikke hvite ris"	Rediger forrige oppføring
sletting	"Fjern mitt siste måltid"	Slett oppføring

Intensjonsklassifisering bruker vanligvis en finjustert transformer-modell som behandler hele transkripsjonen og gir en sannsynlighetsfordeling over alle mulige intensjoner. For matlogging er terskelen satt høyt — vanligvis over 0.90 konfidens — for å unngå å logge en tilfeldig omtale av mat ved en feiltakelse.

Forskning fra Association for Computational Linguistics (ACL, 2023) har vist at domene-spesifikke intensjonsklassifiserere oppnår F1-poeng over 0.96 når de er finjustert på så lite som 10 000 merkede eksempler, noe som gjør dette til en av de mer pålitelige stadiene i pipelinen.

Trinn 3: Navngitt Enhetsgjenkjenning (NER) — Ekstrahere Mat-enheter

Navngitt enhetsgjenkjenning er stadiet der AI identifiserer og ekstraherer de spesifikke matvarene, mengdene og modifikatorene fra en setning. Dette er den kjerne språkfaglige utfordringen ved stemmematlogging.

Enhetstyper i Mat NER

En matspesifikk NER-modell er trent til å gjenkjenne flere enhetstyper:

Enhetstype	Tag	Eksempler
Matvare	FOOD	eggerøre, kyllingbryst, brun ris
Mengde	QTY	to, 200 gram, en kopp, halv
Modifikator	MOD	grillet, med cheddar, lav-fett, økologisk
Merke	BRAND	Chobani, Barilla, Kirkland
Måltidskontekst	MEAL	til frokost, som snacks, etter trening
Beholder	CONT	en bolle med, en tallerken med, et glass med

For eksempel ytringen "to eggerøre med cheddar på fullkornsbrød," produserer NER-modellen:

[QTY: to] [FOOD: eggerøre] [MOD: med cheddar] [MOD: på fullkornsbrød]

Komposisjonelle Matbeskrivelser

En av de vanskeligste NER-utfordringene er komposisjonelle matbeskrivelser — måltider beskrevet som kombinasjoner av ingredienser i stedet for enkeltrettnavn. Når noen sier "kyllingwok med brokkoli, paprika og soyasaus over jasminris," må modellen avgjøre om dette er én sammensatt rett eller fem separate elementer.

Moderne NER-systemer håndterer dette ved å bruke et BIO (Beginning, Inside, Outside) tagging-skjema forbedret med avhengighetsanalyse. Avhengighetsanalysatoren identifiserer syntaktiske relasjoner mellom ord, slik at "kyllingwok" forstås som en enkelt rett mens "brokkoli, paprika og soyasaus" gjenkjennes som dens komponenter, og "jasminris" identifiseres som et separat tilbehør.

Benchmarkytelse på mat NER-datasett som FoodBase (2019) og TAC-KBP mat-enhetskorpus viser F1-poeng på 0.89 til 0.93 for mat-enhetsekstraksjon, med feil konsentrert om sjeldne eller svært regionale retter.

Trinn 4: Mat Enhetsdisambiguering — Hva Mener Du Egentlig?

Når mat-enhetene er ekstrahert, må pipelinen løse tvetydigheter. Naturlig språk er fullt av ord som kan referere til forskjellige matvarer avhengig av kontekst, region eller personlige vaner.

Vanlige Disambiguering Utfordringer

Tvetydig Begrep	Mulige Tolkninger	Løsningssignal
Chips	Potetgull (US), franske poteter (UK), tortilla-chips, bananchips	Brukerens lokasjon, foregående modifikatorer, måltidskontekst
Biscuit	Småkake (UK), scone-lignende brød (US South), kjeks (deler av Asia)	Brukerens lokasjon, ledsagende matvarer
Jelly	Gelé-dessert (US), fruktgele (UK)	Måltidskontekst (på toast vs. som dessert)
Pudding	Kremet dessert (US), bakt rett som Yorkshire pudding (UK)	Måltidskontekst, modifikatorer
Corn	Mais på kolbe, hermetisk mais, maismel, popcorn	Modifikatorer, tilberedningskontekst
Toast	Brødskive, en skål for skål	Intensjonsklassifisering (allerede løst)

Disambiguering er avhengig av flere signaler:

1. Brukerens lokasjon: Appens språk- og regionsinnstillinger gir en sterk prior. En australsk bruker som sier "chips" mener mer sannsynlig tykke franske poteter; en amerikansk bruker mener mer sannsynlig tynne potetgull.
2. Kontekstuelle modifikatorer: "Chips med ketchup" antyder franske poteter; "chips med salsa" antyder tortilla-chips; "pose med chips" antyder pakket potetgull.
3. Måltidshistorikk: Hvis en bruker regelmessig logger britisk-inspirerte måltider, justerer disambiguasjonsmodellen sine priorer deretter.
4. Innebygd likhet: Transformer-baserte innebygginger plasserer matvarer i et semantisk rom der kontekstuelt like matvarer klumper seg sammen, noe som gjør at modellen kan velge den tolkningen som passer best med den omkringliggende språklige konteksten.

Trinn 5: Kvantitetsnormalisering — Omdanne Naturlig Språk til Gram

Folk beskriver sjelden matmengder i gram. De sier "en kopp," "en håndfull," "en stor bolle," "to skiver," eller rett og slett ingenting i det hele tatt (som antyder én standard porsjon). Kvantitetsnormalisering konverterer disse naturlige beskrivelsene til standardiserte metriske mengder som kan kartlegges til databaseoppføringer.

Vanlige Mengdeuttrykk og Deres Normaliserte Verdier

Naturlig Uttrykk	Matkontekst	Normalisert Verdi	Kilde
En kopp	Kokt ris	186g	USDA standardreferanse
En kopp	Melk	244g (244ml)	USDA standardreferanse
En håndfull	Blandet nøtter	28–30g	Ernæringsforskningens konsensus
En håndfull	Blåbær	40–50g	USDA serveringsestimat
En skive	Brød	25–30g	Bransjegjennomsnitt
En skive	Pizza (stor, 14")	107g	USDA standardreferanse
En bolle	Frokostblanding med melk	240–300g totalt	FDA referansebeløp
Et stykke	Kyllingbryst	120–174g	USDA standardporsjoner
En drizzle	Olivenolje	5–7ml	Kulinær standard
En splash	Soyasaus	5ml	Kulinær standard

Kompleksiteten her er at "en kopp" ris (186g) har en helt annen vekt enn "en kopp" spinat (30g) eller "en kopp" mel (125g). Kvantitetsnormalisering må være matbevisst, ikke bare enhetsbevisst.

Moderne tilnærminger bruker oppslags-tabeller for veldefinerte enheter (kopp, spiseskje, teskje) kombinert med lærte regresjonsmodeller for vage mengder (håndfull, drizzle, stor bolle). Disse regresjonsmodellene er trent på porsjonsstørrelsesdatasett fra USDA's Food and Nutrient Database for Dietary Studies (FNDDS) og lignende kilder.

Når ingen mengde er spesifisert — som i "jeg hadde eggerøre og toast" — faller systemet tilbake på standard USDA-referanse porsjoner, som representerer mengden som vanligvis konsumeres i en enkelt spisesituasjon.

Trinn 6: Databasemapping — Matche Enheter med Verifiserte Ernæringsdata

Med disambiguerte mat-enheter og normaliserte mengder på plass, må pipelinen matche hvert element med en spesifikk oppføring i en ernæringsdatabase. Dette er hvor NLP-pipelinen møter matvitenskapsdatabasen.

Matchingprosessen

Databasemapping bruker en kombinasjon av:

1. Eksakt strängmatching: Direkte oppslag av matnavnet i databasen. Raskt og pålitelig for vanlige matvarer.
2. Usikker strängmatching: Levenshtein-avstand og lignende algoritmer håndterer stavevariasjoner, forkortede navn og mindre transkripsjonsfeil. "Scrmbled eggs" matcher fortsatt "scrambled eggs."
3. Semantisk søk: Transformer-baserte setningsinnebygginger muliggjør matching basert på mening snarere enn nøyaktig ordlyd. "Sunny side up" matcher databaseoppføringen for "stekt egg, ikke eggerøre" selv om ordene knapt overlapper.
4. Hierarkisk fallback: Hvis ingen eksakt matmatch eksisterer, faller systemet tilbake til nærmeste overordnede kategori. "Bestemors spesielle kjøttkake" ville kartlegges til "kjøttkake, hjemmelaget" i USDA-databasen.

Kvaliteten på den underliggende databasen er kritisk på dette stadiet. En verifisert ernæringsdatabase med oppføringer hentet fra offentlige matkomposisjonstabeller (USDA FoodData Central, EFSA, FSANZ) og validert av ernæringsfysiologer gir langt mer pålitelige resultater enn brukerinnsendte databaser hvor hvem som helst kan legge til oppføringer.

Nutrola bruker en verifisert ernæringsdatabase med oppføringer kryssreferert mot offisiell matkomposisjonsdata, noe som betyr at de endelige kalori- og makroverdiene som returneres av stemmelogging-pipelinen er forankret i laboratorieanalysert ernæringsdata snarere enn crowd-sourcet estimater. Kombinert med strekkodeskanning som dekker over 95 prosent av pakket produkter, oppnår databasemapping-stadiet høye matchrater på tvers av både hele matvarer og pakket produkter.

Trinn 7: Konfidensvurdering — Når Skal Jeg Logge og Når Skal Jeg Spørre

Det siste stadiet samler konfidenspoeng fra hvert tidligere stadie til en samlet sikkerhetsmetrik. Denne poengsummen bestemmer om systemet logger måltidet automatisk, ber brukeren om bekreftelse, eller ber om avklaring.

Konfidensgrenser og Handlinger

Total Konfidens	Handling	Eksempel Scenario
0.95–1.00	Logg automatisk	Vanlig måltid, klare mengder, eksakt databasematch
0.80–0.94	Logg med bekreftelsesprompt	Litt tvetydig mengde eller matvariant
0.60–0.79	Vis topp 2–3 alternativer for brukerens valg	Tvetydig matnavn eller flere mulige treff
Under 0.60	Be brukeren om å omformulere eller gi mer detalj	Utydelig tale, ukjent mat, eller svært tvetydig beskrivelse

Konfidensvurdering er ikke et enkelt tall, men en vektet kombinasjon av delpoeng:

• ASR-konfidens: Hvor sikker var tale-til-tekst-modellen? (Målt ved posterior sannsynlighet av den dekodede sekvensen)
• NER-konfidens: Hvor klart ble mat-enhetene identifisert? (Målt ved enhetsgrense F1)
• Disambiguasjonskonfidens: Var det en klar vinner blant mulige tolkninger? (Målt ved sannsynlighetsgap mellom topp-1 og topp-2 kandidater)
• Databasematch-konfidens: Hvor nær var matchen en verifisert databaseoppføring? (Målt ved kosinuslikhet av innebygginger)

Dette flerlags konfidenssystemet er det som gjør at stemmelogging kan være både rask og nøyaktig. Høy-konfidens tolkninger logges umiddelbart, mens lav-konfidens tilfeller utløser målrettede avklaringsspørsmål i stedet for generiske feilmeldinger.

Hvordan Transformer-modeller og Store Språkmodeller Forbedrer Stemmematlogging

Hele pipelinen beskrevet ovenfor har blitt transformert av fremveksten av transformer-arkitekturer (Vaswani et al., 2017) og store språkmodeller (LLMs). Eldre stemmeloggingssystemer brukte separate, uavhengig trente modeller for hvert trinn. Moderne systemer bruker i økende grad enhetlige transformer-modeller som håndterer flere trinn samtidig.

Nøkkel Fremskritt

• End-to-end ASR: Transformer-baserte ASR-modeller som Whisper prosesserer lyd direkte til tekst uten mellomliggende fonemrepresentasjoner, noe som reduserer feilpropagasjon.
• Kontekstuell NER: Forhåndstrente språkmodeller som BERT og dens varianter forstår matbegreper i kontekst, noe som dramatisk forbedrer enhetsekstraksjon for komposisjonelle beskrivelser.
• Zero-shot disambiguering: Store språkmodeller kan disambiguere matbegreper de aldri har sett i treningsdata ved å utnytte sin brede verdenskunnskap. En modell som har lest millioner av oppskrifter og matbeskrivelser forstår at "chips og guac" betyr tortilla-chips med guacamole uten å ha blitt eksplisitt trent på den frasen.
• Samtalekorreksjon: LLM-er muliggjør naturlige oppfølgings-samtaler. Hvis AI logger "hvit ris" og brukeren sier "faktisk var det blomkålris," forstår modellen dette som en korreksjon og oppdaterer oppføringen deretter.

Nutrola's AI Diet Assistant utnytter disse mulighetene, noe som gjør at brukerne ikke bare kan logge måltider med stemme, men også stille oppfølgingsspørsmål, be om modifikasjoner og få ernæringsinnsikt gjennom naturlig samtale.

Virkelighetsnøyaktighet: Hvordan Stemmelogging Sammenlignes med Andre Metoder

Et naturlig spørsmål er hvordan nøyaktigheten av stemmelogging sammenlignes med manuell tekstinndata, strekkodeskanning og foto-basert logging.

Loggingmetode	Gjennomsnittlig Kalorienøyaktighet	Gjennomsnittlig Tid per Oppføring	Brukerinnsats
Manuell tekstsøk	85–90% (avhenger av brukerens valg)	45–90 sekunder	Høy
Strekkodeskanning	97–99% (kun pakket mat)	5–10 sekunder	Lav
Fotologging (AI)	85–92% (varierer med matkompleksitet)	3–8 sekunder	Lav
Stemmelogging (AI)	88–94% (varierer med beskrivelsens klarhet)	5–15 sekunder	Veldig lav

Stemmeloggings nøyaktighetsfordel kommer fra rikdommen av naturlig språk. Et foto kan ikke skille mellom helmelk og skummet melk, men en stemmebeskrivelse kan. Et foto sliter med lagdelte retter som burritos, men en talebeskrivelse — "kyllingburrito med svarte bønner, salsa, rømme og guacamole" — gir AI-en eksplisitt ingrediensinformasjon.

Kombinasjonen av stemmelogging med fotologging dekker svakhetene til hver metode. Stemmen gir ingrediensdetaljer; bilder gir visuell porsjonsestimering. Å bruke begge sammen, som støttet i Nutrola's multimodale loggingssystem sammen med strekkodeskanning, gir den høyeste praktiske nøyaktigheten for hverdagslig matregistrering.

Personvern og Behandling på Enheten

Stemme-data er iboende personlig. Moderne stemmeloggingssystemer adresserer personvern gjennom flere arkitektoniske valg:

• På-enheten ASR: Tale-til-tekst-konvertering skjer på brukerens enhet, så rå lyd forlater aldri telefonen.
• Kun tekstoverføring: Bare den transkriberte teksten sendes til skyservere for NER og databasemapping.
• Ingen lydlagring: Lydopptak slettes umiddelbart etter transkripsjon.
• Kryptert pipeline: Alle data som overføres mellom behandlingsstadiene bruker ende-til-ende kryptering.

Disse tiltakene sikrer at bekvemmeligheten av stemmelogging ikke kommer på bekostning av personvernet. Nutrola behandler stemmedata med disse personvern-første prinsippene, og synkroniserer ernæringsresultater til Apple Health og Google Fit uten å eksponere rå lyddata.

Ofte Stilte Spørsmål

Hvor nøyaktig er stemme-matlogging sammenlignet med å skrive inn mat manuelt?

Stemme-matlogging oppnår 88 til 94 prosent kalorinøyaktighet i gjennomsnitt, sammenlignbart med eller litt bedre enn manuell tekstsøk (85 til 90 prosent). Fordelen med stemmen er at brukerne har en tendens til å gi mer detaljerte beskrivelser naturlig — inkludert tilberedningsmetoder, sauser og spesifikasjoner for ingredienser — noe som gir AI-en mer informasjon å jobbe med enn en enkel tekstsøksforespørsel.

Kan stemmelogging AI forstå matbeskrivelser med flere elementer i én setning?

Ja. Moderne NER-modeller er trent til å ekstrahere flere mat-enheter fra en enkelt ytring. Å si "en grillet kyllingsalat med avokado, cherrytomater og balsamico-dressing" vil produsere fire eller fem distinkte mat-enheter, hver kartlagt til sin egen databaseoppføring med individuelle kalori- og makroverdier.

Hva skjer når AI-en ikke er sikker på hva jeg sa?

Systemet bruker flerlags konfidensvurdering. Hvis den totale konfidensen faller under 0.80, vil du se en bekreftelsesprompt som viser AI-ens beste tolkning. Under 0.60 vil appen be deg om å avklare — for eksempel "Mente du potetgull eller franske poteter?" Denne tilnærmingen minimerer både falske logger og unødvendige avbrytelser.

Fungerer stemmelogging offline?

Moderne på-enheten ASR-modeller kan konvertere tale til tekst uten en internettforbindelse. Imidlertid krever databasemapping og disambiguering vanligvis en servertilkobling for å få tilgang til den fullstendige ernæringsdatabasen. Noen apper, inkludert Nutrola, cacher ofte loggede matvarer lokalt slik at de mest vanlige måltidene kan logges med stemme selv uten tilkobling.

Hvordan håndterer stemmelogging aksenter og ikke-innfødte engelsktalende?

Nåværende ASR-modeller som Whisper er trent på mangfoldige, flerspråklige tale-data som dekker et bredt spekter av aksenter. Ordfeilrater for aksentert engelsk er vanligvis 2 til 5 prosentpoeng høyere enn for innfødte talere, men matspesifikke ordforråd — som stort sett er standardisert — har en tendens til å bli gjenkjent mer pålitelig enn generell tale. Finjustering på matdomene-lyd reduserer ytterligere nøyaktighetsgapet.

Hvilken NLP-teknologi driver stemmelogging av mat?

Pipelinen bruker transformer-baserte modeller på nesten hvert trinn. Automatisk talegjenkjenning bruker encoder-decoder transformere (lignende Whisper-arkitekturen). Intensjonsgjenkjenning og NER bruker finjusterte BERT-familie-modeller. Disambiguering og databasemapping bruker setningstransformere for semantisk likhet. Store språkmodeller gir samtalekorreksjon og zero-shot forståelse av nye matbeskrivelser.

Kan jeg korrigere et stemmelogget måltid i etterkant?

Ja. Stemmeloggingssystemer med LLM-drevne assistenter støtter naturlige korreksjoner. Du kan si "endre risen til blomkålris" eller "fjern osten fra mitt siste måltid," og AI-en vil tolke korreksjonsintensjonen og oppdatere den eksisterende oppføringen i stedet for å lage en ny. Nutrola's AI Diet Assistant støtter denne samtale-redigeringsarbeidsflyten.

Hvor raskt er stemmelogging fra tale til logget oppføring?

End-to-end latens for en typisk måltidsbeskrivelse er 1.5 til 3 sekunder. ASR tar 0.3 til 0.8 sekunder for en kort ytring. NER og disambiguering legger til 0.2 til 0.5 sekunder. Databasemapping og konfidensvurdering tar ytterligere 0.3 til 0.7 sekunder. Nettverkslatens utgjør resten. Resultatet er en loggingsopplevelse som føles nesten umiddelbar.

Er stemmelogging bedre enn fotologging for å spore kalorier?

Ingen av metodene er universelt bedre. Stemmelogging utmerker seg når du kan beskrive ingredienser presist — for hjemmelagde måltider, blandede retter, og matvarer som ser like ut men varierer ernæringsmessig (som helmelk vs. skummet melk). Fotologging utmerker seg for visuelt distinkte matvarer der porsjonsstørrelse er den viktigste variabelen. Å bruke begge metodene sammen gir den mest omfattende sporing, noe som er grunnen til at Nutrola støtter foto-, stemme-, strekkode- og manuell logging i en enkelt app som starter på bare 2.50 euro per måned med en 3-dagers gratis prøveperiode.