Sunetul devine text. Recunoașterea vorbirii transcrie limbajul vorbit în formă scrisă, gestionând accentele, zgomotul de fundal și vorbirea continuă. Aceasta alimentează asistenții vocali, instrumentele de dictare și centrele de apel automate.

Sistemele clasice foloseau modele Markov ascunse cu caracteristici acustice create manual. Sistemele moderne folosesc rețele neuronale antrenate end-to-end pe perechi audio și text, învățând împreună modele acustice și lingvistice.

Sarcini comune de recunoaștere a vorbirii

• Dictare și transcriere
• Comenzi vocale și asistenți
• Subtitrare în timp real
• Analiza centrelor de apeluri
• Rezumatul întâlnirii

Precizia este ridicată pentru o vorbire clară în condiții de liniște. Aceasta scade în cazul accentelor puternice, a suprapunerii vorbitorilor sau a mediilor zgomotoase. Ratele de eroare a cuvintelor în testele de performanță nu prezic întotdeauna performanța pe teren.