Reconhecimento de fala (ASR, fala para texto)
O reconhecimento de fala, também chamado de ASR ou fala para texto, converte áudio falado em texto escrito.
Um modelo de ASR ouve uma gravação ou uma transmissão ao vivo e escreve uma transcrição, muitas vezes com marcações de tempo e pontuação e, em alguns modelos, rótulos de falante. Alguns modelos transcrevem arquivos prontos, enquanto modelos de streaming produzem texto enquanto você fala e permitem trocar um pequeno atraso por precisão. Muitos também traduzem ou transcrevem dezenas de idiomas.
A precisão costuma ser relatada como taxa de erro de palavras em conjuntos de teste públicos que raramente se parecem com o seu áudio, então sotaques, ruído de fundo e termos do domínio podem mudar bastante os resultados. O Whisper também pode escrever texto que nunca foi falado, então confira as transcrições que importam.
Termos relacionados
- Taxa de erro de palavras (WER) A taxa de erro de palavras é a pontuação padrão do reconhecimento de fala: a proporção de palavras em uma transcrição que estão erradas, faltando ou sobrando em relação a uma referência correta.
- Diarização de falantes (rótulos de falante) A diarização identifica quem falou e quando em uma gravação e rotula cada trecho de fala com um falante, como Falante 1 e Falante 2.
- Conversão de texto em fala (TTS) Modelos de conversão de texto em fala transformam texto escrito em áudio falado, e muitos conseguem copiar uma voz a partir de uma amostra curta.