Речь в текст

Определение

Преобразование речи в текст (STT) — это процесс автоматического преобразования устной речи в письменный текст с использованием моделей искусственного интеллекта. Он тесно связан с распознаванием речи (ASR).

Цель

Цель — сделать устный контент доступным и удобным для поиска. Эта технология широко используется в транскрибации, обеспечении доступности и цифровых помощниках.

Значение

• Обеспечивает доступность для пользователей с нарушениями слуха.
• Предоставляет стенограммы встреч и лекций.
• Точность зависит от акцентов и шумовых условий.
• Используется практически во всех приложениях с голосовым управлением.

Как это работает

1. Захват аудиовхода.
2. Предварительная обработка и нормализация аудиосигнала.
3. Применяйте модели ASR для распознавания слов.
4. Транскрипция выходного текста.
5. При необходимости проверьте или исправьте под контролем человека.

Примеры (реальный мир)

• API преобразования речи в текст от Google Cloud.
• Речевые службы Microsoft Azure.
• Транскрибация встреч Otter.ai.

Ссылки/Дополнительная литература

• Автоматическое распознавание речи — NIST.
• ISO/IEC 15938-4: Описание мультимедийного контента.
• Джурафски и Мартин. Обработка речи и языка.
• Что такое технология преобразования речи в текст и как она работает