Garso transkripcija paverčia įrašuose sakomą kalbą rašytiniu tekstu. Šiuolaikinės automatinio kalbos atpažinimo sistemos taip pat sudeda skyrybos ženklus, atskiria kalbėtojus ir kartais pateikia laiko žymas. Ji naudojama susitikimų protokolams, interviu, subtitrams ir pokalbių su klientais dokumentavimui. Kokybė labai priklauso nuo garso kokybės, akcento ir specialiosios leksikos; pokalbiams su asmens duomenimis būtina atsižvelgti į sutikimą ir duomenų apsaugą.
Agentai, srautai ir šablonai vienoje darbo srityje – nemokama 24 valandų demonstracinė versija.
Pradėti demonstracijąKalbos atpažinimas, dar vadinamas ASR (angl. automatic speech recognition), automatiškai paverčia šnekamąją kalbą rašytiniu tekstu. Šiuolaikinės sistemos naudoja neuroninius tinklus, apmokytus pagal didelius garso įrašų kiekius, ir pakankamai gerai susidoroja su akcentais bei foniniu triukšmu. Taikymai: diktavimas, subtitrai, balso asistentai ir susitikimų bei klientų skambučių transkribavimas. Techniniai terminai, tikriniai vardai ir prasta garso kokybė išlieka dažnomis klaidų priežastimis.
Whisper – automatinio kalbos atpažinimo modelis, OpenAI išleistas 2022 m. rugsėjį. Jis paverčia šnekamąją kalbą daugeliu kalbų tekstu ir gali išversti įrašus į anglų kalbą. Jo kodas ir modelio svoriai prieinami pagal atvirojo kodo MIT licenciją, todėl Whisper galima paleisti ir savo įrangoje – tai pranašumas, kai garso duomenys neturi palikti organizacijos. Tipiniai taikymai: susitikimų, interviu transkripcijos ir subtitrai.
Teksto skaitymas balsu (angl. text-to-speech) paverčia rašytinį tekstą šnekamąja kalba ir yra kalbos atpažinimo (kalba į tekstą) priešingybė. Šiuolaikinės sistemos naudoja neuroninius tinklus, kad sukurtų natūraliai skambančius balsus su tinkama intonacija. TTS naudojamas telefono pranešimuose, navigacijos įrenginiuose, skaitymo balsu funkcijose prieinamose svetainėse ir balso asistentuose.
