Pojmovnik

Prepoznavanje govora (speech to text)

Što je Prepoznavanje govora (speech to text)?

Prepoznavanje 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.

Teme

ASR
audio
transkripcija

Isprobajte KI.ordo

Agenti, tijekovi rada i predlošci u jednom radnom prostoru – besplatna demo verzija na 24 sata.

Pokrenite demo

← Svi pojmovi

Srodni pojmovi

Transkripcija zvuka

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.

Prepoznavanje govora
Audio
+1

Whisper

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.

Prepoznavanje govora
Otvoreni kod
+1

Text-to-Speech (TTS)

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.

Govorni izlaz
Audio
+1

Obrada prirodnog jezika (NLP)

Obrada prirodnog jezika grana je UI-ja koja računalima omogućuje analizu, razumijevanje i generiranje ljudskog jezika u tekstu ili govoru. Obuhvaća zadatke poput prevođenja, klasifikacije, sažimanja, analize sentimenta i odgovaranja na pitanja. Nekoć su dominirala pravila i statističke metode; danas to područje oblikuju veliki jezični modeli.

NLP
Jezik
+1