Transkripcija zvuka pretvara govorni jezik iz snimaka u pisani tekst. Moderni sustavi automatskog prepoznavanja govora dodaju i interpunkciju, razlikuju govornike i ponekad navode vremenske oznake. Koristi se za zapisnike sa sastanaka, intervjue, titlove i dokumentiranje razgovora s kupcima. Kvaliteta uvelike ovisi o kvaliteti zvuka, naglasku i stručnom rječniku; kod razgovora koji uključuju osobne podatke treba voditi računa o privoli i zaštiti podataka.
Agenti, tijekovi rada i predlošci u jednom radnom prostoru – besplatna demo verzija na 24 sata.
Pokrenite demoPrepoznavanje govora, zvano i ASR (automatic speech recognition), automatski pretvara govorni jezik u pisani tekst. Moderni sustavi koriste neuronske mreže trenirane na velikim količinama audiozapisa i prilično dobro se nose s naglascima i pozadinskom bukom. Primjene uključuju diktiranje, titlove, glasovne asistente te transkripciju sastanaka i razgovora s klijentima. Stručni pojmovi, vlastita imena i loša kvaliteta zvuka i dalje su česti izvori pogrešaka.
Whisper je model za automatsko prepoznavanje govora koji je OpenAI objavio u rujnu 2022. Pretvara govorni jezik na mnogim jezicima u tekst, a snimke može i prevoditi na engleski. Njegov kod i težine modela dostupni su pod licencijom otvorenog koda MIT, pa Whisper može raditi i na vlastitom sklopovlju, što je prednost kada audiopodaci ne smiju napustiti organizaciju. Tipične primjene su transkripti sastanaka, intervjua i titlovi.
Pretvaranje teksta u govor (text-to-speech) pretvara pisani tekst u govorni jezik i time je pandan prepoznavanju govora (speech-to-text). Moderni sustavi koriste neuronske mreže za izradu prirodno zvučećih glasova s odgovarajućom intonacijom. TTS se koristi u telefonskim najavama, navigacijskim uređajima, funkcijama čitanja naglas za pristupačne web-stranice i glasovnim asistentima.
