Ο ήχος γίνεται κείμενο. Η αναγνώριση ομιλίας μεταγράφει την προφορική γλώσσα σε γραπτή μορφή, χειριζόμενη τις προφορές, τον θόρυβο του περιβάλλοντος και τη συνεχή ομιλία. Τροφοδοτεί φωνητικούς βοηθούς, εργαλεία υπαγόρευσης και αυτοματοποιημένα τηλεφωνικά κέντρα.

Τα κλασικά συστήματα χρησιμοποιούσαν κρυμμένα μοντέλα Markov με χειροποίητα ακουστικά χαρακτηριστικά. Τα σύγχρονα συστήματα χρησιμοποιούν νευρωνικά δίκτυα που εκπαιδεύονται από άκρο σε άκρο σε ζεύγη ήχου και κειμένου, μαθαίνοντας ακουστικά και γλωσσικά μοτίβα μαζί.

Συνήθεις εργασίες αναγνώρισης ομιλίας

• Υπαγόρευση και μεταγραφή
• Φωνητικές εντολές και βοηθοί
• Υπότιτλοι σε πραγματικό χρόνο
• Ανάλυση τηλεφωνικού κέντρου
• Σύνοψη συνάντησης

Η ακρίβεια είναι υψηλή για καθαρή ομιλία σε ήσυχες συνθήκες. Μειώνεται σε έντονες προφορές, επικαλυπτόμενα ηχεία ή θορυβώδη περιβάλλοντα. Τα ποσοστά σφαλμάτων λέξεων σε δοκιμές αναφοράς δεν προβλέπουν πάντα την απόδοση στο πεδίο.