Γλωσσάριο

Αναγνώριση ομιλίας (speech to text)

Τι είναι Αναγνώριση ομιλίας (speech to text);

Η αναγνώριση ομιλίας, που ονομάζεται και ASR (automatic speech recognition), μετατρέπει αυτόματα τον προφορικό λόγο σε γραπτό κείμενο. Τα σύγχρονα συστήματα χρησιμοποιούν νευρωνικά δίκτυα εκπαιδευμένα σε μεγάλες ποσότητες ηχογραφήσεων και αντεπεξέρχονται αρκετά καλά σε προφορές και θόρυβο υποβάθρου. Οι εφαρμογές περιλαμβάνουν υπαγόρευση, υποτίτλους, φωνητικούς βοηθούς και απομαγνητοφώνηση συσκέψεων και κλήσεων πελατών. Οι τεχνικοί όροι, τα κύρια ονόματα και η κακή ποιότητα ήχου παραμένουν συχνές πηγές σφαλμάτων.

Θέματα

ASR
ήχος
απομαγνητοφώνηση

Δοκιμάστε το KI.ordo

Πράκτορες, ροές εργασιών και πρότυπα σε έναν χώρο εργασίας – δωρεάν επίδειξη 24 ωρών.

Έναρξη επίδειξης

← Όλοι οι όροι

Σχετικοί όροι

Μεταγραφή ήχου

Η μεταγραφή ήχου μετατρέπει την προφορική γλώσσα από ηχογραφήσεις σε γραπτό κείμενο. Τα σύγχρονα συστήματα αυτόματης αναγνώρισης ομιλίας προσθέτουν επίσης στίξη, διακρίνουν τους ομιλητές και ορισμένες φορές παρέχουν χρονοσφραγίδες. Χρησιμοποιείται για πρακτικά συσκέψεων, συνεντεύξεις, υπότιτλους και την τεκμηρίωση τηλεφωνικών κλήσεων πελατών. Η ποιότητα εξαρτάται σε μεγάλο βαθμό από την ποιότητα του ήχου, την προφορά και την εξειδικευμένη ορολογία· για συνομιλίες που περιλαμβάνουν προσωπικά δεδομένα, πρέπει να λαμβάνονται υπόψη η συγκατάθεση και η προστασία δεδομένων.

Αναγνώριση ομιλίας
Audio
+1

Whisper

Το Whisper είναι ένα μοντέλο αυτόματης αναγνώρισης ομιλίας που κυκλοφόρησε η OpenAI τον Σεπτέμβριο του 2022. Μετατρέπει τον προφορικό λόγο σε πολλές γλώσσες σε κείμενο και μπορεί επίσης να μεταφράζει ηχογραφήσεις στα αγγλικά. Ο κώδικάς του και τα βάρη του μοντέλου είναι διαθέσιμα υπό την άδεια ανοικτού κώδικα MIT, επομένως το Whisper μπορεί να εκτελείται και στο δικό σας υλικό, πλεονέκτημα όταν τα δεδομένα ήχου δεν πρέπει να φεύγουν από τον οργανισμό. Τυπικές χρήσεις είναι οι απομαγνητοφωνήσεις συσκέψεων, συνεντεύξεων και οι υπότιτλοι.

Αναγνώριση ομιλίας
Ανοιχτός κώδικας
+1

Text-to-Speech (TTS)

Η μετατροπή κειμένου σε ομιλία (text-to-speech) μετατρέπει το γραπτό κείμενο σε προφορικό λόγο και αποτελεί το αντίστοιχο της αναγνώρισης ομιλίας (speech-to-text). Τα σύγχρονα συστήματα χρησιμοποιούν νευρωνικά δίκτυα για να παράγουν φυσικά ηχητικές φωνές με κατάλληλο επιτονισμό. Το TTS χρησιμοποιείται σε τηλεφωνικές ανακοινώσεις, συσκευές πλοήγησης, λειτουργίες ανάγνωσης φωνητικά για προσβάσιμους ιστότοπους και φωνητικούς βοηθούς.

Έξοδος ομιλίας
Audio
+1

Επεξεργασία φυσικής γλώσσας (NLP)

Η επεξεργασία φυσικής γλώσσας είναι ο κλάδος της ΤΝ που επιτρέπει στους υπολογιστές να αναλύουν, να κατανοούν και να παράγουν ανθρώπινη γλώσσα σε κείμενο ή ομιλία. Καλύπτει εργασίες όπως η μετάφραση, η ταξινόμηση, η σύνοψη, η ανάλυση συναισθήματος και η απάντηση ερωτήσεων. Κάποτε κυριαρχούσαν οι κανόνες και οι στατιστικές μέθοδοι· σήμερα ο τομέας διαμορφώνεται από μεγάλα γλωσσικά μοντέλα.

NLP
Γλώσσα
+1