Prepis zvuku premieňa hovorenú reč z nahrávok na písaný text. Moderné systémy automatického rozpoznávania reči dopĺňajú aj interpunkciu, rozlišujú hovoriacich a niekedy poskytujú časové značky. Využíva sa na zápisnice zo stretnutí, rozhovory, titulky a dokumentáciu zákazníckych hovorov. Kvalita veľmi závisí od kvality zvuku, prízvuku a odbornej slovnej zásoby; pri rozhovoroch s osobnými údajmi treba myslieť na súhlas a ochranu údajov.
Agenti, postupy a šablóny v jednom pracovnom priestore – bezplatné 24-hodinové demo.
Spustiť demoRozpoznávanie reči, nazývané aj ASR (automatic speech recognition), automaticky premieňa hovorený jazyk na písaný text. Moderné systémy využívajú neurónové siete trénované na veľkom množstve zvukových nahrávok a primerane si poradia s prízvukmi a okolitým hlukom. Použitia zahŕňajú diktovanie, titulky, hlasových asistentov a prepis stretnutí a telefonátov so zákazníkmi. Odborné pojmy, vlastné mená a zlá kvalita zvuku zostávajú častými zdrojmi chýb.
Whisper je model automatického rozpoznávania reči, ktorý vydala spoločnosť OpenAI v septembri 2022. Premieňa hovorený jazyk v mnohých jazykoch na text a nahrávky dokáže aj prekladať do angličtiny. Jeho kód a váhy modelu sú dostupné pod open-source licenciou MIT, takže Whisper môže bežať aj na vlastnom hardvéri, čo je výhoda, keď zvukové dáta nemajú opustiť organizáciu. Typické použitia zahŕňajú prepisy stretnutí, rozhovorov a titulky.
Text-to-speech (syntéza reči) premieňa písaný text na hovorený jazyk, a je tak protikladom rozpoznávania reči (speech-to-text). Moderné systémy využívajú neurónové siete na vytváranie prirodzene znejúcich hlasov s primeranou intonáciou. TTS sa používa v telefónnych oznamoch, navigačných zariadeniach, funkciách čítania nahlas pre bezbariérové webové stránky a hlasových asistentoch.
