Технология преобразования устной речи в письменный текст.
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.
В хороших акустических условиях с чистым звуком точность распознавания у лучших моделей может превышать 95%, но снижается при сильном фоновом шуме, наложении голосов или специфической терминологии.
Нет, качество распознавания зависит от объёма и разнообразия обучающих данных для конкретного языка и акцента — для более распространённых языков и стандартного произношения результат обычно лучше.
Это позволяет автоматически анализировать содержание разговоров (тематику, тональность, соблюдение скриптов) с помощью текстовых моделей NLP без необходимости прослушивать записи вручную.