Fogalomtár

Beszédfelismerés (speech to text)

Mi a(z) Beszédfelismerés (speech to text)?

A beszédfelismerés, más néven ASR (automatic speech recognition), automatikusan írott szöveggé alakítja a beszélt nyelvet. A modern rendszerek nagy mennyiségű hangfelvételen tanított neurális hálózatokat használnak, és elfogadhatóan kezelik az akcentusokat és a háttérzajt. Alkalmazási területei a diktálás, a feliratozás, a hangasszisztensek, valamint a megbeszélések és ügyfélhívások átírása. A szakkifejezések, a tulajdonnevek és a rossz hangminőség továbbra is gyakori hibaforrások.

Témák

ASR
hang
átírás

Próbálja ki a KI.ordót

Ügynökök, munkafolyamatok és sablonok egyetlen munkaterületen – ingyenes, 24 órás demó.

Demó indítása

← Minden fogalom

Kapcsolódó fogalmak

Hangátírás

A hangátírás a felvételeken elhangzó beszédet írott szöveggé alakítja. A modern automatikus beszédfelismerő rendszerek írásjeleket is beillesztenek, megkülönböztetik a beszélőket, és néha időbélyegeket is megadnak. Megbeszélések jegyzőkönyvezéséhez, interjúkhoz, feliratokhoz és ügyfélhívások dokumentálásához használják. A minőség nagymértékben függ a hangminőségtől, az akcentustól és a szakszókincstől; személyes adatokat érintő beszélgetéseknél figyelembe kell venni a hozzájárulást és az adatvédelmet.

Beszédfelismerés
Audio
+1

Whisper

A Whisper az OpenAI által 2022 szeptemberében kiadott automatikus beszédfelismerő modell. A beszélt nyelvet sok nyelven szöveggé alakítja, és a felvételeket angolra is le tudja fordítani. Kódja és modellsúlyai a nyílt forráskódú MIT-licenc alatt érhetők el, így a Whisper saját hardveren is futtatható, ami előny, ha a hangadatok nem hagyhatják el a szervezetet. Tipikus felhasználása megbeszélések és interjúk átírása, valamint feliratozás.

Beszédfelismerés
Nyílt forráskód
+1

Text-to-Speech (TTS)

A szövegfelolvasás (text-to-speech) az írott szöveget beszélt nyelvvé alakítja, így a beszédfelismerés (speech-to-text) párja. A modern rendszerek neurális hálózatokkal természetes hangzású, megfelelő hanglejtésű hangokat állítanak elő. A TTS-t telefonos bemondásokban, navigációs eszközökben, akadálymentes weboldalak felolvasó funkcióiban és hangasszisztensekben használják.

Beszédkimenet
Audio
+1

Természetesnyelv-feldolgozás (NLP)

A természetesnyelv-feldolgozás az MI azon ága, amely lehetővé teszi, hogy a számítógépek elemezzék, megértsék és előállítsák az emberi nyelvet szövegben vagy beszédben. Olyan feladatokat fed le, mint a fordítás, az osztályozás, az összefoglalás, a hangulatelemzés és a kérdés-felelet. Egykor a szabályok és a statisztikai módszerek uralták; ma a területet a nagy nyelvi modellek alakítják.

NLP
Nyelv
+1