语音识别(ASR、语音转文字)

语音识别又称 ASR 或语音转文字,把说出的音频转成书面文字。

  • 模型与架构
  • 更新于

ASR 模型听一段录音或一路实时流,写出文字稿,通常带有时间戳和标点,有些模型还带说话人标签。有些模型转写完整的文件,流式模型则边说边输出文字,并允许你在短延迟和准确率之间取舍。许多模型还能翻译,或转写几十种语言。

准确率通常用公开测试集上的词错误率来表示,而这些测试集很少与你的音频相符,所以口音、背景噪声和专业词汇都可能让结果差别很大。Whisper 还可能写出从未说过的文字,所以重要的转写稿请务必核对。

相关术语

  • 词错误率(WER) 词错误率是语音识别的标准评分:转写稿中与正确参考稿相比,错误、缺失或多余的词所占的比例。
  • 说话人分离(说话人标签) 说话人分离会判断录音中谁在什么时候说话,并给每一段语音标上说话人,例如说话人 1 和说话人 2。
  • 文字转语音(TTS) 文字转语音模型把文字转成语音,许多模型还能用一小段样音复制某个声音。

继续阅读

全部术语