Âm thanh trở thành văn bản. Nhận dạng giọng nói chuyển đổi ngôn ngữ nói thành văn bản, xử lý cả giọng địa phương, tiếng ồn nền và lời nói liên tục. Nó cung cấp sức mạnh cho trợ lý giọng nói, công cụ đọc chính tả và trung tâm cuộc gọi tự động.

Các hệ thống cổ điển sử dụng mô hình Markov ẩn với các đặc trưng âm thanh được thiết kế thủ công. Các hệ thống hiện đại sử dụng mạng nơ-ron được huấn luyện từ đầu đến cuối trên các cặp âm thanh và văn bản, học các mẫu âm thanh và ngôn ngữ cùng nhau.

Các nhiệm vụ nhận dạng giọng nói phổ biến

• Đọc chính tả và phiên âm
• Lệnh thoại và trợ lý ảo
• Phụ đề thời gian thực
• Phân tích trung tâm cuộc gọi
• Tóm tắt cuộc họp

Độ chính xác cao đối với giọng nói rõ ràng trong điều kiện yên tĩnh. Độ chính xác giảm khi giọng nói nặng âm điệu, nhiều người nói chồng chéo lên nhau hoặc trong môi trường ồn ào. Tỷ lệ lỗi từ trên các bài kiểm tra chuẩn không phải lúc nào cũng dự đoán được hiệu suất thực tế.