Речник

Разпознаване на реч (реч в текст)

Какво е Разпознаване на реч (реч в текст)?

Разпознаването на реч, наричано също ASR (automatic speech recognition), автоматично преобразува говоримия език в писмен текст. Съвременните системи използват невронни мрежи, обучени върху голямо количество аудиозаписи, и се справят сравнително добре с акценти и фонов шум. Приложенията включват диктовка, субтитри, гласови асистенти и транскрибиране на срещи и разговори с клиенти. Специализираните термини, собствените имена и лошото качество на звука остават често срещани източници на грешки.

Теми

ASR
аудио
транскрибиране

Изпробвайте KI.ordo

Агенти, потоци и шаблони в едно работно пространство – безплатна 24-часова демонстрация.

Стартирайте демото

← Всички термини

Свързани термини

Транскрибиране на аудио

Транскрибирането на аудио превръща говоримата реч от записи в писмен текст. Съвременните системи за автоматично разпознаване на реч добавят и пунктуация, разграничават говорещите и понякога предоставят времеви маркери. Използва се за протоколи от срещи, интервюта, субтитри и документиране на разговори с клиенти. Качеството зависи силно от качеството на звука, акцента и специализираната лексика; при разговори, съдържащи лични данни, трябва да се съобразят съгласието и защитата на данните.

Разпознаване на реч
Audio
+1

Whisper

Whisper е модел за автоматично разпознаване на реч, пуснат от OpenAI през септември 2022 г. Той преобразува говорим език на много езици в текст и може също да превежда записи на английски. Кодът и теглата на модела са налични с лиценза с отворен код MIT, така че Whisper може да работи и на собствен хардуер – предимство, когато аудио данните не бива да напускат организацията. Типични приложения са транскрипти на срещи, интервюта и субтитри.

Разпознаване на реч
Отворен код
+1

Text-to-Speech (TTS)

Преобразуването на текст в реч (text-to-speech) превръща писмения текст в говорим език и е обратното на разпознаването на реч (speech-to-text). Съвременните системи използват невронни мрежи, за да създават естествено звучащи гласове с подходяща интонация. TTS се използва в телефонни съобщения, навигационни устройства, функции за прочитане на глас в достъпни уебсайтове и гласови асистенти.

Гласов изход
Audio
+1

Обработка на естествен език (NLP)

Обработката на естествен език е дялът на ИИ, който дава възможност на компютрите да анализират, разбират и генерират човешки език в текст или реч. Тя обхваща задачи като превод, класификация, резюмиране, анализ на настроението и отговаряне на въпроси. Някога доминираха правилата и статистическите методи; днес областта се оформя от големите езикови модели.

NLP
Език
+1