Talegenkendelse, også kaldet ASR (automatic speech recognition), omdanner automatisk talt sprog til skrevet tekst. Moderne systemer bruger neurale netværk trænet på store mængder lydoptagelser og håndterer accenter og baggrundsstøj nogenlunde godt. Anvendelserne omfatter diktering, undertekster, stemmeassistenter og transskription af møder og kundesamtaler. Fagudtryk, egennavne og dårlig lydkvalitet er stadig almindelige fejlkilder.
Lydtransskription omdanner talt sprog fra optagelser til skrevet tekst. Moderne systemer til automatisk talegenkendelse tilføjer også tegnsætning, skelner mellem talere og giver nogle gange tidsstempler. Det bruges til mødereferater, interviews, undertekster og dokumentation af kundesamtaler. Kvaliteten afhænger i høj grad af lydkvalitet, accent og fagsprog; ved samtaler med persondata skal samtykke og databeskyttelse tages i betragtning.
Whisper er en automatisk talegenkendelsesmodel, som OpenAI udgav i september 2022. Den omdanner talt sprog på mange sprog til tekst og kan også oversætte optagelser til engelsk. Dens kode og modelvægte er tilgængelige under open source-licensen MIT, så Whisper også kan køre på egen hardware, hvilket er en fordel, når lyddata ikke må forlade organisationen. Typiske anvendelser er transskriptioner af møder, interviews og undertekster.
Text-to-speech omdanner skrevet tekst til talt sprog og er dermed modstykket til talegenkendelse (speech-to-text). Moderne systemer bruger neurale netværk til at skabe naturligt klingende stemmer med passende intonation. TTS bruges i telefonmeddelelser, navigationsenheder, oplæsningsfunktioner til tilgængelige websites og stemmeassistenter.
Natural language processing er den gren af AI, der gør det muligt for computere at analysere, forstå og generere menneskeligt sprog i tekst eller tale. Det omfatter opgaver som oversættelse, klassifikation, opsummering, sentimentanalyse og spørgsmålsbesvarelse. Tidligere dominerede regler og statistiske metoder; i dag er feltet præget af store sprogmodeller.
