Распознавание речи (ASR, speech-to-text)

Распознавание речи, также называемое ASR или speech-to-text, превращает звуковую речь в письменный текст.

  • Модели и архитектура
  • Обновлено

ASR-модель слушает запись или прямой поток и пишет транскрипт — часто с метками времени и пунктуацией, а у некоторых моделей и с метками спикеров. Одни модели транскрибируют готовые файлы, а потоковые выводят текст, пока вы говорите, позволяя обменять небольшую задержку на точность. Многие также переводят или транскрибируют десятки языков.

Точность обычно указывают как частоту ошибок в словах (word error rate) на публичных тестовых наборах, которые редко совпадают с вашим аудио, поэтому акценты, фоновый шум и профессиональная лексика могут сильно менять результаты. Whisper может и написать текст, который никогда не произносился, так что проверяйте важные транскрипты.

Связанные термины

  • Частота ошибок в словах (WER) Частота ошибок в словах — стандартная оценка для распознавания речи: доля слов в транскрипте, которые ошибочны, пропущены или лишние по сравнению с правильной ссылкой.
  • Диаризация (метки спикеров) Диаризация определяет, кто и когда говорил в записи, и помечает каждый отрезок речи спикером, например «Спикер 1» и «Спикер 2».
  • Синтез речи (TTS) Модели синтеза речи превращают письменный текст в звучащую речь, и многие умеют копировать голос по короткому образцу.

Все термины