Zvuk se stává textem. Rozpoznávání řeči přepisuje mluvenou řeč do psané podoby a zpracovává přízvuky, hluk v pozadí a souvislou řeč. Pohání hlasové asistenty, nástroje pro diktování a automatizovaná call centra.

Klasické systémy používaly skryté Markovovy modely s ručně vytvořenými akustickými prvky. Moderní systémy používají neuronové sítě trénované end-to-end na párovém zvuku a textu, které se učí akustické a jazykové vzory společně.

Běžné úlohy rozpoznávání řeči

• Diktování a přepis
• Hlasové příkazy a asistenti
• Titulky v reálném čase
• Analýzy call centra
• Shrnutí schůze

Přesnost je vysoká pro srozumitelnou řeč v tichých podmínkách. Klesá s výraznými přízvuky, překrývajícími se řečníky nebo hlučným prostředím. Míra chybovosti slov v benchmarkových testech ne vždy předpovídá výkon v terénu.