Lyd bliver til tekst. Talegenkendelse transkriberer talt sprog til skriftlig form og håndterer accenter, baggrundsstøj og kontinuerlig tale. Det driver stemmeassistenter, dikteringsværktøjer og automatiserede callcentre.

Klassiske systemer brugte skjulte Markov-modeller med håndlavede akustiske funktioner. Moderne systemer bruger neurale netværk, der er trænet end-to-end på parret lyd og tekst, og som lærer akustiske og sproglige mønstre sammen.

Almindelige talegenkendelsesopgaver

• Diktering og transskription
• Stemmekommandoer og assistenter
• Undertekster i realtid
• Analyse af callcenter
• Mødeopsummering

Nøjagtigheden er høj for klar tale i rolige omgivelser. Den falder med tunge accenter, overlappende højttalere eller støjende miljøer. Ordfejlprocenter på benchmarks forudsiger ikke altid ydeevne i felten.