ध्वनि पाठ में परिवर्तित होती है। वाक् पहचान बोली जाने वाली भाषा को लिखित रूप में परिवर्तित करती है, जिसमें उच्चारण, पृष्ठभूमि शोर और निरंतर बोली को भी ध्यान में रखा जाता है। यह वॉइस असिस्टेंट, डिक्टेशन टूल और स्वचालित कॉल सेंटरों को शक्ति प्रदान करती है।

पारंपरिक प्रणालियाँ हस्तनिर्मित ध्वनिक विशेषताओं के साथ छिपे हुए मार्कोव मॉडल का उपयोग करती थीं। आधुनिक प्रणालियाँ युग्मित ऑडियो और टेक्स्ट पर अंत-से-अंत प्रशिक्षित न्यूरल नेटवर्क का उपयोग करती हैं, जो ध्वनिक और भाषा पैटर्न को एक साथ सीखते हैं।

सामान्य वाक् पहचान कार्य

• श्रुतलेख और प्रतिलेखन
• वॉइस कमांड और असिस्टेंट
• रीयल-टाइम कैप्शनिंग
• कॉल सेंटर विश्लेषण
• बैठक का सारांश

शांत वातावरण में स्पष्ट उच्चारण के लिए सटीकता उच्च होती है। भारी उच्चारण, दो वक्ताओं के बीच ओवरलैप होने या शोरगुल वाले वातावरण में सटीकता कम हो जाती है। बेंचमार्क पर शब्द त्रुटि दरें हमेशा वास्तविक प्रदर्शन का पूर्वानुमान नहीं लगाती हैं।