Dźwięk staje się tekstem. Rozpoznawanie mowy transkrybuje mowę mówioną na formę pisemną, uwzględniając akcenty, hałas w tle i ciągłą mowę. Obsługuje asystentów głosowych, narzędzia do dyktowania i automatyczne centra telefoniczne.

Klasyczne systemy wykorzystywały ukryte modele Markowa z ręcznie opracowanymi cechami akustycznymi. Nowoczesne systemy wykorzystują sieci neuronowe trenowane kompleksowo na sparowanych sygnałach audio i tekstowych, które wspólnie uczą się wzorców akustycznych i językowych.

Typowe zadania rozpoznawania mowy

• Dyktowanie i transkrypcja
• Polecenia głosowe i asystenci
• Napisy w czasie rzeczywistym
• Analityka call center
• Podsumowanie spotkania

Dokładność jest wysoka w przypadku wyraźnej mowy w cichych warunkach. Spada ona jednak w przypadku silnych akcentów, nakładających się głosów lub hałaśliwego otoczenia. Wskaźniki błędów w słowach w testach porównawczych nie zawsze pozwalają przewidzieć wydajność w terenie.