Ljudtranskribering omvandlar talat språk från inspelningar till skriven text. Moderna system för automatisk taligenkänning lägger också till skiljetecken, skiljer mellan talare och ger ibland tidsstämplar. Det används för mötesprotokoll, intervjuer, undertexter och dokumentation av kundsamtal. Kvaliteten beror starkt på ljudkvalitet, brytning och fackspråk; vid samtal som innehåller personuppgifter måste samtycke och dataskydd beaktas.
Taligenkänning, även kallad ASR (automatic speech recognition), omvandlar automatiskt talat språk till skriven text. Moderna system använder neurala nätverk som tränats på stora mängder ljudinspelningar och klarar accenter och bakgrundsljud hyfsat bra. Tillämpningar är diktering, undertexter, röstassistenter och transkribering av möten och kundsamtal. Facktermer, egennamn och dålig ljudkvalitet är fortfarande vanliga felkällor.
Whisper är en modell för automatisk taligenkänning som OpenAI släppte i september 2022. Den omvandlar talat språk på många språk till text och kan även översätta inspelningar till engelska. Dess kod och modellvikter är tillgängliga under den öppna MIT-licensen, så Whisper kan också köras på egen hårdvara, en fördel när ljuddata inte ska lämna organisationen. Typiska användningsområden är transkriptioner av möten och intervjuer samt undertexter.
Text-till-tal omvandlar skriven text till talat språk och är motsvarigheten till taligenkänning (tal till text). Moderna system använder neurala nätverk för att skapa naturligt klingande röster med lämplig intonation. TTS används i telefonmeddelanden, navigeringsenheter, uppläsningsfunktioner för tillgängliga webbplatser och röstassistenter.
