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.
Агенти, потоци и шаблони в едно работно пространство – безплатна 24-часова демонстрация.
Стартирайте демотоРазпознаването 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.
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.
Генерирането на естествен език (NLG) е областта на езиковата обработка, която създава разбираем текст от данни, ключови точки или други входни данни. По-ранните NLG системи се основаваха на шаблони и правила; днес повечето използват големи езикови модели. Типични приложения са сводки за времето и фондовия пазар, описания на продукти, обобщения на ключови показатели и отговори на чатботове. Важно е числата и фактите от входните данни да бъдат пренесени вярно и непроменени.
