O som transforma-se em texto. O reconhecimento de voz transcreve a linguagem falada para a forma escrita, lidando com sotaques, ruídos de fundo e fala contínua. Alimenta assistentes de voz, ferramentas de ditado e centros de atendimento automatizados.

Os sistemas clássicos utilizavam modelos ocultos de Markov com características acústicas definidas manualmente. Os sistemas modernos utilizam redes neuronais treinadas de ponta a ponta com áudio e texto emparelhados, aprendendo padrões acústicos e linguísticos simultaneamente.

Tarefas comuns de reconhecimento de voz

• Ditado e transcrição
• Comandos de voz e assistentes
• Legendas em tempo real
• Análise de call center
• Resumo da reunião

A precisão é elevada para um discurso claro em condições de silêncio. Diminui com sotaques carregados, vozes sobrepostas ou ambientes ruidosos. As taxas de erro de palavras nos testes de referência nem sempre predizem o desempenho em situações reais.