Słownik pojęć

Rozpoznawanie mowy (speech to text)

Czym jest Rozpoznawanie mowy (speech to text)?

Rozpoznawanie mowy, zwane też ASR (automatic speech recognition), automatycznie zamienia język mówiony na tekst pisany. Nowoczesne systemy korzystają z sieci neuronowych trenowanych na dużych zbiorach nagrań audio i całkiem dobrze radzą sobie z akcentami i hałasem w tle. Zastosowania obejmują dyktowanie, napisy, asystentów głosowych oraz transkrypcję spotkań i rozmów z klientami. Terminy specjalistyczne, nazwy własne i słaba jakość dźwięku pozostają częstymi źródłami błędów.

Tematy

ASR
audio
transkrypcja

Wypróbuj KI.ordo

Agenci, przepływy i szablony w jednym obszarze roboczym – bezpłatne demo na 24 godziny.

Uruchom demo

← Wszystkie pojęcia

Powiązane pojęcia

Transkrypcja audio

Transkrypcja audio przekształca mowę z nagrań w tekst pisany. Nowoczesne systemy automatycznego rozpoznawania mowy dodają również interpunkcję, rozróżniają mówców, a czasem podają znaczniki czasu. Wykorzystuje się ją do protokołów ze spotkań, wywiadów, napisów oraz dokumentowania rozmów z klientami. Jakość w dużej mierze zależy od jakości dźwięku, akcentu i słownictwa specjalistycznego; w przypadku rozmów zawierających dane osobowe należy uwzględnić kwestie zgody i ochrony danych.

Rozpoznawanie mowy
Audio
+1

Whisper

Whisper to model automatycznego rozpoznawania mowy opublikowany przez OpenAI we wrześniu 2022 roku. Zamienia język mówiony w wielu językach na tekst i potrafi też tłumaczyć nagrania na angielski. Jego kod i wagi modelu są dostępne na otwartej licencji MIT, dzięki czemu Whisper może działać także na własnym sprzęcie, co jest zaletą, gdy dane audio nie powinny opuszczać organizacji. Typowe zastosowania to transkrypcje spotkań, wywiadów i napisy.

Rozpoznawanie mowy
Open source
+1

Text-to-Speech (TTS)

Zamiana tekstu na mowę (text-to-speech) przekształca tekst pisany w język mówiony i jest odpowiednikiem rozpoznawania mowy (speech-to-text). Nowoczesne systemy wykorzystują sieci neuronowe do tworzenia naturalnie brzmiących głosów z odpowiednią intonacją. TTS stosuje się w komunikatach telefonicznych, nawigacjach, funkcjach czytania na głos w dostępnych stronach internetowych i asystentach głosowych.

Synteza mowy
Audio
+1

Przetwarzanie języka naturalnego (NLP)

Przetwarzanie języka naturalnego to dziedzina AI, która umożliwia komputerom analizowanie, rozumienie i generowanie ludzkiego języka w tekście lub mowie. Obejmuje zadania takie jak tłumaczenie, klasyfikacja, streszczanie, analiza sentymentu i odpowiadanie na pytania. Dawniej dominowały reguły i metody statystyczne; dziś dziedzinę kształtują duże modele językowe.

NLP
Język
+1