Text-to-Speech wandelt geschriebenen Text in gesprochene Sprache um und ist damit das Gegenstück zur Spracherkennung (Sprache-zu-Text). Moderne Systeme erzeugen mit neuronalen Netzen natürlich klingende Stimmen mit passender Betonung. Eingesetzt wird TTS etwa in Telefonansagen, Navigationsgeräten, Vorlesefunktionen für barrierefreie Websites oder Sprachassistenten.
Agenten, Abläufe und Vorlagen in einem Arbeitsbereich – 24 Stunden kostenlos als Demo.
Demo startenSpracherkennung, auch ASR (Automatic Speech Recognition) genannt, wandelt gesprochene Sprache automatisch in geschriebenen Text um. Moderne Systeme nutzen neuronale Netze, die auf großen Mengen von Audioaufnahmen trainiert wurden, und kommen auch mit Akzenten und Hintergrundgeräuschen recht gut zurecht. Anwendungen sind Diktierfunktionen, Untertitel, Sprachassistenten oder die Transkription von Besprechungen und Kundengesprächen. Fachbegriffe, Eigennamen und schlechte Tonqualität bleiben häufige Fehlerquellen.
Audio-Transkription wandelt gesprochene Sprache aus Aufnahmen in geschriebenen Text um. Moderne Systeme der automatischen Spracherkennung erkennen dabei auch Satzzeichen, verschiedene Sprecherinnen und Sprecher und mitunter Zeitstempel. Genutzt wird das für Besprechungsprotokolle, Interviews, Untertitel oder die Dokumentation von Kundengesprächen. Die Qualität hängt stark von Tonqualität, Dialekt und Fachvokabular ab; bei personenbezogenen Gesprächen sind Einwilligung und Datenschutz zu beachten.
Natürliche Sprachgenerierung (Natural Language Generation, NLG) ist der Teilbereich der Sprachverarbeitung, der aus Daten, Stichpunkten oder anderen Eingaben verständliche Texte erzeugt. Früher arbeiteten NLG-Systeme mit Vorlagen und Regeln, heute meist mit großen Sprachmodellen. Typische Einsätze sind Wetter- und Börsenberichte, Produktbeschreibungen, Zusammenfassungen von Kennzahlen oder Antworten in Chatbots. Wichtig ist, dass Zahlen und Fakten aus den Eingaben unverändert korrekt übernommen werden.
