El sonido se convierte en texto. El reconocimiento de voz transcribe el lenguaje hablado a texto, teniendo en cuenta acentos, ruido de fondo y habla continua. Es la base de asistentes de voz, herramientas de dictado y centros de llamadas automatizados.

Los sistemas clásicos utilizaban modelos ocultos de Markov con características acústicas diseñadas manualmente. Los sistemas modernos utilizan redes neuronales entrenadas de extremo a extremo con pares de audio y texto, aprendiendo patrones acústicos y lingüísticos de forma conjunta.

Tareas comunes de reconocimiento de voz

• Dictado y transcripción
• Comandos de voz y asistentes
• Subtitulado en tiempo real
• Análisis de centros de llamadas
• Resumen de la reunión

La precisión es alta para el habla clara en condiciones de silencio. Disminuye con acentos marcados, voces superpuestas o entornos ruidosos. Las tasas de error de palabras en las pruebas de referencia no siempre predicen el rendimiento en la práctica.