Spracherkennung (ASR, Speech-to-Text)
Spracherkennung, auch ASR oder Speech-to-Text genannt, wandelt gesprochenes Audio in geschriebenen Text um.
Ein ASR-Modell hört eine Aufnahme oder einen Live-Stream und schreibt ein Transkript, oft mit Zeitstempeln und Zeichensetzung und bei manchen Modellen mit Sprecher-Labels. Manche Modelle transkribieren fertige Dateien, während Streaming-Modelle den Text ausgeben, während Sie sprechen, und Ihnen erlauben, eine kurze Verzögerung gegen Genauigkeit einzutauschen. Viele übersetzen auch oder transkribieren Dutzende Sprachen.
Die Genauigkeit wird meist als Wortfehlerrate auf öffentlichen Testsets angegeben, die selten zu Ihrem Audio passen; Akzente, Hintergrundgeräusche und Fachbegriffe können die Ergebnisse daher stark verändern. Whisper kann auch Text schreiben, der nie gesprochen wurde – prüfen Sie also die Transkripte, die wichtig sind.
Verwandte Begriffe
- Wortfehlerrate (WER) Die Wortfehlerrate ist die Standardbewertung für Spracherkennung: der Anteil der Wörter in einem Transkript, die gegenüber einer korrekten Referenz falsch, fehlend oder überzählig sind.
- Sprecher-Diarisierung (Sprecher-Labels) Diarisierung ermittelt, wer in einer Aufnahme wann gesprochen hat, und versieht jeden Sprachabschnitt mit einem Sprecher, etwa Sprecher 1 und Sprecher 2.
- Text-to-Speech (TTS) Text-to-Speech-Modelle verwandeln geschriebenen Text in gesprochenes Audio, und viele können eine Stimme aus einer kurzen Stichprobe kopieren.