Glosar

Recunoașterea vorbirii (speech to text)

Ce este Recunoașterea vorbirii (speech to text)?

Recunoașterea vorbirii, numită și ASR (automatic speech recognition), transformă automat limbajul vorbit în text scris. Sistemele moderne folosesc rețele neuronale antrenate pe cantități mari de înregistrări audio și se descurcă relativ bine cu accentele și zgomotul de fond. Aplicațiile includ dictarea, subtitrarea, asistenții vocali și transcrierea ședințelor și a apelurilor cu clienți. Termenii tehnici, numele proprii și calitatea slabă a sunetului rămân surse frecvente de erori.

Subiecte

ASR
audio
transcriere

Încercați KI.ordo

Agenți, fluxuri și șabloane într-un singur spațiu de lucru – demo gratuit de 24 de ore.

Porniți demo-ul

← Toți termenii

Termeni înrudiți

Transcriere audio

Transcrierea audio convertește limbajul vorbit din înregistrări în text scris. Sistemele moderne de recunoaștere automată a vorbirii adaugă și punctuația, disting între vorbitori și uneori oferă marcaje temporale. Se utilizează pentru procese-verbale ale ședințelor, interviuri, subtitrări și documentarea convorbirilor cu clienții. Calitatea depinde în mare măsură de calitatea sunetului, de accent și de vocabularul de specialitate; în cazul conversațiilor care implică date cu caracter personal, trebuie avute în vedere consimțământul și protecția datelor.

Recunoașterea vorbirii
Audio
+1

Whisper

Whisper este un model de recunoaștere automată a vorbirii lansat de OpenAI în septembrie 2022. Transformă în text limbajul vorbit în multe limbi și poate traduce înregistrările și în engleză. Codul și ponderile modelului sunt disponibile sub licența open-source MIT, astfel că Whisper poate rula și pe hardware propriu, un avantaj atunci când datele audio nu trebuie să părăsească organizația. Utilizările tipice includ transcrierea ședințelor și a interviurilor și subtitrarea.

Recunoașterea vorbirii
Open source
+1

Text-to-Speech (TTS)

Text-to-speech transformă textul scris în limbaj vorbit, fiind astfel opusul recunoașterii vorbirii (speech-to-text). Sistemele moderne folosesc rețele neuronale pentru a produce voci cu sonoritate naturală și intonație adecvată. TTS este folosit în mesaje telefonice, dispozitive de navigație, funcții de citire cu voce tare pentru site-uri accesibile și asistenți vocali.

Ieșire vocală
Audio
+1

Prelucrarea limbajului natural (NLP)

Prelucrarea limbajului natural este ramura IA care permite calculatoarelor să analizeze, să înțeleagă și să genereze limbajul uman în text sau vorbire. Cuprinde sarcini precum traducerea, clasificarea, rezumarea, analiza sentimentelor și răspunsul la întrebări. Cândva dominau regulile și metodele statistice; astăzi domeniul este modelat de modelele lingvistice de mari dimensiuni.

NLP
Limbă
+1