Audio transkripcija pārvērš ierakstos runāto valodu rakstītā tekstā. Mūsdienu automātiskās runas atpazīšanas sistēmas pievieno arī pieturzīmes, atšķir runātājus un dažkārt sniedz laikspiedolus. To izmanto sanāksmju protokoliem, intervijām, subtitriem un klientu sarunu dokumentēšanai. Kvalitāte lielā mērā ir atkarīga no audio kvalitātes, akcenta un nozares terminoloģijas; sarunās, kurās ir personas dati, jāņem vērā piekrišana un datu aizsardzība.
Runas atpazīšana, ko sauc arī par ASR (automatic speech recognition), automātiski pārvērš runāto valodu rakstītā tekstā. Mūsdienu sistēmas izmanto neironu tīklus, kas apmācīti ar lielu daudzumu audioierakstu, un samērā labi tiek galā ar akcentiem un fona troksni. Pielietojumi ir diktēšana, subtitri, balss asistenti un sanāksmju un klientu zvanu transkribēšana. Tehniskie termini, īpašvārdi un slikta audio kvalitāte joprojām ir biežs kļūdu avots.
Whisper ir automātiskās runas atpazīšanas modelis, ko OpenAI izlaida 2022. gada septembrī. Tas pārvērš runāto valodu daudzās valodās tekstā un var arī tulkot ierakstus angļu valodā. Tā kods un modeļa svari ir pieejami ar atvērtā pirmkoda MIT licenci, tāpēc Whisper var darbināt arī uz savas aparatūras, kas ir priekšrocība, ja audio datiem nevajadzētu atstāt organizāciju. Tipiski pielietojumi ir sanāksmju, interviju transkripti un subtitri.
Teksta pārvēršana runā pārvērš rakstītu tekstu runātā valodā, un tā ir runas atpazīšanas (runa uz tekstu) pretstats. Mūsdienu sistēmas izmanto neironu tīklus, lai radītu dabiski skanošas balsis ar atbilstošu intonāciju. TTS izmanto telefona paziņojumos, navigācijas ierīcēs, skaļās lasīšanas funkcijās pieejamām tīmekļa vietnēm un balss asistentos.
