STT (Speech-to-Text, распознавание речи) — это технология, преобразующая устную речь в письменный текст. Современные модели STT на основе нейросетей достигают высокой точности распознавания даже в сложных условиях — при наличии фонового шума, разных акцентов, разговорной, не всегда чёткой речи, — что было существенной проблемой для более ранних систем.
STT обычно выступает первым шагом в технологическом конвейере голосовых ассистентов: устная речь пользователя сначала преобразуется в текст, который затем обрабатывается языковой моделью для понимания смысла запроса и формирования ответа, прежде чем результат, при необходимости, снова превращается в речь через TTS.
STT широко применяется в бизнесе для автоматической транскрипции деловых встреч и звонков колл-центров, что позволяет затем анализировать содержание разговоров с помощью текстовых моделей и создавать точные субтитры для видеоконтента.