يتحول الصوت إلى نص. يقوم نظام التعرف على الكلام بتحويل اللغة المنطوقة إلى شكل مكتوب، مع مراعاة اللهجات والضوضاء المحيطة والكلام المتواصل. وهو يدعم المساعدين الصوتيين وأدوات الإملاء ومراكز الاتصال الآلية.

استخدمت الأنظمة التقليدية نماذج ماركوف المخفية مع خصائص صوتية مصممة يدويًا. أما الأنظمة الحديثة فتستخدم الشبكات العصبية المدربة من البداية إلى النهاية على الصوت والنص المزدوجين، حيث تتعلم الأنماط الصوتية واللغوية معًا.

مهام التعرف على الكلام الشائعة

• الإملاء والنسخ
• الأوامر الصوتية والمساعدون
• الترجمة الفورية
• تحليلات مركز الاتصال
• ملخص الاجتماع

تكون الدقة عالية في حالة الكلام الواضح في ظروف هادئة، لكنها تنخفض مع اللهجات الثقيلة، أو وجود متحدثين متداخلين، أو في بيئات صاخبة. ولا تعكس معدلات الخطأ في الكلمات في الاختبارات المعيارية الأداء الفعلي دائمًا.