Ce înseamnă Speech-to-text (recunoaștere vocală)
Speech-to-text, numit și ASR (Automatic Speech Recognition) sau recunoaștere vocală, transformă vorbirea în text. Îl folosești când dictezi un mesaj pe telefon, când activezi subtitrările automate pe YouTube sau într-o ședință online, ori când un asistent vocal îți înțelege comanda.
Modelele moderne, precum Whisper de la OpenAI, au fost antrenate pe sute de mii de ore de audio în multe limbi și se descurcă bine chiar și cu zgomot de fond sau accente. Totuși, numele proprii, termenii tehnici și vorbirea suprapusă rămân dificile.
Cum funcționează
Sunetul este tăiat în bucăți foarte scurte (de ordinul milisecundelor) și transformat într-o reprezentare a frecvențelor, un fel de „imagine” a sunetului. Un model neural învață să asocieze aceste tipare cu sunete, cuvinte și propoziții, folosind contextul ca să aleagă între cuvinte care sună la fel.
Calitatea se măsoară de obicei prin rata de eroare la nivel de cuvânt (WER): procentul de cuvinte greșite, lipsă sau în plus față de transcrierea corectă.
Pe înțelesul tuturor
Este ca un stenograf la tribunal care ascultă și scrie tot ce se spune. Un stenograf bun nu notează doar sunetele, ci înțelege și contextul, ca să scrie „s-a dus” și nu „sa dus”.
Exemplu
Dacă transcrii un interviu de 100 de cuvinte și sistemul greșește 4 cuvinte, omite 1 și adaugă 1 în plus, WER este de 6%. Pentru un podcast în română, cele mai multe erori apar de obicei la nume de localități, la cuvinte regionale și la diacritice („fata” în loc de „fața”).
De reținut
- Speech-to-text transformă vorbirea în text; operația inversă este text-to-speech.
- Un microfon bun și o încăpere liniștită reduc mult erorile.
- La transcrieri importante (juridice, medicale), textul trebuie revizuit de un om.
Nu confunda
- Recunoaștere vocală vs. recunoașterea vorbitorului: prima află ce se spune; a doua află cine vorbește, după caracteristicile vocii.
Termeni înrudiți
- Text-to-speech (sinteză vocală): Tehnologie care citește cu voce tare un text scris, generând vorbire artificială tot mai naturală.
- Whisper: Model open source al OpenAI care transcrie vorbirea în text în zeci de limbi, inclusiv română, și o poate traduce în engleză.
- Asistent vocal: Program cu care vorbești ca să afli informații sau să dai comenzi: Siri, Google Assistant, Alexa sau asistenții AI cu mod vocal.
- NLP (procesarea limbajului natural): Domeniul AI care îi învață pe calculatoare să înțeleagă și să producă limbaj omenesc: traducere, rezumare, chatboți, analiza textelor.
- Traducere automată: Traducerea unui text sau a vorbirii dintr-o limbă în alta, realizată de un program, fără traducător uman.