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.
Agenci, przepływy i szablony w jednym obszarze roboczym – bezpłatne demo na 24 godziny.
Uruchom demoRozpoznawanie 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.
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.
Generowanie języka naturalnego (NLG) to obszar przetwarzania języka, który tworzy zrozumiały tekst na podstawie danych, haseł lub innych danych wejściowych. Wcześniejsze systemy NLG opierały się na szablonach i regułach; dziś większość korzysta z dużych modeli językowych. Typowe zastosowania to raporty pogodowe i giełdowe, opisy produktów, podsumowania wskaźników i odpowiedzi chatbotów. Ważne jest, aby liczby i fakty z danych wejściowych były przenoszone poprawnie i bez zmian.
