Mowa na tekst

Definicja

Speech-to-text (STT) to proces automatycznej konwersji mowy na tekst pisany za pomocą modeli sztucznej inteligencji. Jest on ściśle powiązany z ASR.

Cel

Celem jest zapewnienie dostępności i możliwości wyszukiwania treści mówionych. Jest to powszechnie stosowane w transkrypcji, ułatwieniach dostępu i asystentach cyfrowych.

Znaczenie

• Wspiera dostępność dla użytkowników niedosłyszących.
• Dostarcza transkrypcje ze spotkań i wykładów.
• Dokładność zależy od akcentów i warunków hałasu.
• Używany w niemal wszystkich aplikacjach sterowanych głosem.

Jak to działa

1. Przechwytywanie sygnału audio.
2. Wstępne przetwarzanie i normalizacja sygnału audio.
3. Zastosuj modele ASR do rozpoznawania słów.
4. Transkrypcja tekstu wyjściowego.
5. W razie potrzeby przejrzyj i popraw pod nadzorem człowieka.

Przykłady (świat rzeczywisty)

• Interfejs API Google Cloud Speech-to-Text.
• Usługi Microsoft Azure Speech Services.
• Transkrypcja spotkania Otter.ai.

Odniesienia / Dalsza lektura

• Automatyczne rozpoznawanie mowy — NIST.
• ISO/IEC 15938-4: Opis treści multimedialnych.
• Jurafsky i Martin. Przetwarzanie mowy i języka.
• Co to jest technologia zamiany mowy na tekst i jak działa