Reconnaissance vocale (ASR, voix vers texte)

La reconnaissance vocale, aussi appelée ASR ou transcription voix-texte, transforme la parole en texte écrit.

  • Modèles et architecture
  • Mis à jour le

Un modèle ASR écoute un enregistrement ou un flux en direct et rédige une transcription, souvent avec horodatages et ponctuation et, pour certains modèles, des étiquettes de locuteur. Certains modèles transcrivent des fichiers déjà enregistrés, tandis que les modèles en flux sortent le texte pendant que vous parlez et vous laissent troquer un léger délai contre de la précision. Beaucoup traduisent aussi ou transcrivent des dizaines de langues.

La précision est généralement indiquée comme taux d'erreur par mot sur des jeux de tests publics qui ressemblent rarement à votre audio ; les accents, le bruit de fond et le vocabulaire du domaine peuvent donc beaucoup changer les résultats. Whisper peut aussi écrire du texte qui n'a jamais été prononcé, vérifiez donc les transcriptions qui comptent.

Termes associés

  • Taux d'erreur par mot (WER) Le taux d'erreur par mot est le score standard de la reconnaissance vocale : la part des mots d'une transcription qui sont faux, manquants ou superflus par rapport à une référence correcte.
  • Diarisation des locuteurs (étiquettes de locuteur) La diarisation détermine qui a parlé et quand dans un enregistrement, et étiquette chaque segment de parole avec un locuteur, comme Locuteur 1 et Locuteur 2.
  • Synthèse vocale (TTS) Les modèles de synthèse vocale transforment du texte écrit en audio parlé, et beaucoup peuvent copier une voix à partir d'un court échantillon.

Tous les termes