Звук превращается в текст. Распознавание речи преобразует устную речь в письменную форму, учитывая акценты, фоновый шум и непрерывную речь. Оно используется в голосовых помощниках, инструментах диктовки и автоматизированных колл-центрах.

В классических системах использовались скрытые марковские модели с вручную созданными акустическими характеристиками. В современных системах применяются нейронные сети, обученные сквозным методом на парных аудио- и текстовых данных, которые совместно изучают акустические и языковые закономерности.

Типичные задачи распознавания речи

• Диктант и транскрипция
• Голосовые команды и помощники
• Субтитры в реальном времени
• Аналитика колл-центров
• Подведение итогов совещания

Точность высока для четкой речи в тихих условиях. Она снижается при сильном акценте, наложении голосов говорящих друг на друга или в шумной обстановке. Показатели ошибок распознавания слов в тестовых примерах не всегда предсказывают результаты в реальных условиях.