A hang szöveggé alakul. A beszédfelismerés a beszélt nyelvet írott formába írja, kezeli az akcentusokat, a háttérzajt és a folyamatos beszédet. Hangasszisztenseket, diktáló eszközöket és automatizált call centereket működtet.

A klasszikus rendszerek rejtett Markov-modelleket használtak kézzel fejlesztett akusztikai jellemzőkkel. A modern rendszerek neurális hálózatokat használnak, amelyeket végponttól végpontig párosított hang- és szövegadatokon tanítottak, és együttesen tanulták meg az akusztikus és nyelvi mintákat.

Gyakori beszédfelismerési feladatok

• Diktálás és átírás
• Hangutasítások és asszisztensek
• Valós idejű feliratozás
• Hívásközponti elemzések
• Megbeszélés összefoglalása

A pontosság magas a tiszta beszéd esetén csendes körülmények között. Erős akcentusok, átfedésben lévő beszélők vagy zajos környezet esetén csökken. A referenciaértékeken szereplő szóhibaarányok nem mindig jelzik előre a terepi teljesítményt.