Text-to-speech převádí psaný text na mluvený jazyk, a je tak protějškem rozpoznávání řeči (speech-to-text). Moderní systémy využívají neuronové sítě k vytváření přirozeně znějících hlasů s odpovídající intonací. TTS se používá v telefonních hlášeních, navigačních přístrojích, funkcích předčítání pro přístupné weby a hlasových asistentech.
Agenti, postupy a šablony v jednom pracovním prostoru – 24hodinové demo zdarma.
Spustit demoRozpoznávání řeči, označované též ASR (automatic speech recognition), automaticky převádí mluvený jazyk na psaný text. Moderní systémy využívají neuronové sítě natrénované na velkém množství zvukových nahrávek a s přijatelnou úspěšností zvládají přízvuky i hluk na pozadí. Použití zahrnuje diktování, titulky, hlasové asistenty a přepisy schůzek a zákaznických hovorů. Odborné výrazy, vlastní jména a špatná kvalita zvuku zůstávají častými zdroji chyb.
Přepis zvuku převádí mluvenou řeč z nahrávek na psaný text. Moderní systémy automatického rozpoznávání řeči doplňují i interpunkci, rozlišují mluvčí a někdy poskytují časové značky. Využívá se pro zápisy z porad, rozhovory, titulky a dokumentaci zákaznických hovorů. Kvalita silně závisí na kvalitě zvuku, přízvuku a odborné slovní zásobě; u rozhovorů s osobními údaji je třeba myslet na souhlas a ochranu osobních údajů.
Generování přirozeného jazyka (NLG) je oblast zpracování jazyka, která z dat, hesel nebo jiných vstupů vytváří srozumitelný text. Dřívější systémy NLG se opíraly o šablony a pravidla; dnes většina využívá velké jazykové modely. Typické použití zahrnuje zprávy o počasí a burze, popisy produktů, shrnutí klíčových čísel a odpovědi chatbotů. Důležité je, aby se čísla a fakta ze vstupů přenesla správně a beze změny.
