UA EN ES

Rozpoznawanie mowy: jak telefon zamienia głos na tekst

Rozpoznawanie mowy (STT, Speech-to-Text) to technologia, która zamienia mowę na tekst. Działają na niej dyktowanie, napisy, asystenci głosowi i transkrypcja nagrań.

Głos zamienia się w tekst

Prostymi słowami

Wyobraź sobie stenografkę, która siedzi na lekcji i zapisuje wszystko, co mówi nauczyciel - szybko i bez przerw. Rozpoznawanie mowy to taka sama stenografka, tylko cyfrowa: słucha mikrofonu i pisze tekst. Jeśli wszyscy mówią naraz albo w klasie jest hałas, coś pominie - tak jak człowiek.

Jak to działa

  1. Mikrofon nagrywa dźwięk, system usuwa część szumu.
  2. Dźwięk dzieli się na krótkie fragmenty i zamienia na „spektrogram” - obraz dźwięku.
  3. Sieć neuronowa ustala, jakie dźwięki i słowa są tam najbardziej prawdopodobne.
  4. Model językowy poprawia wynik według sensu: „może tak”, a nie „morze tak”.
  5. Tekst pojawia się na ekranie - często jeszcze wtedy, gdy mówisz.

Rozpoznawanie mowy jako cyfrowa stenografka

Gdzie to zobaczysz

Dyktowanie na klawiaturze, wiadomości głosowe z transkrypcją w komunikatorach, automatyczne napisy na YouTube i w rozmowach, dyktafony z transkrypcją, asystenci głosowi, inteligentne głośniki i zegarki.

Czy to ważne przy wyborze

Przy zakupie - jeśli często dyktujesz, sprawdź, czy telefon obsługuje rozpoznawanie twojego języka bez internetu: to szybsze i bardziej prywatne. W nauce transkrypcja nagranych wykładów oszczędza godziny. Jakość mocno zależy od mikrofonów: w hałasie lepiej działają telefony i słuchawki z kilkoma mikrofonami i redukcją szumów.

Mity

  • Mit: Rozpoznawanie nie rozumie gwary i akcentów. W rzeczywistości: Nowoczesne modele radzą sobie lepiej niż kiedyś, choć błędów jest więcej niż przy mowie standardowej.
  • Mit: Telefon ciągle nagrywa wszystko, co mówię. W rzeczywistości: Zwykle nasłuchuje lokalnie tylko frazy wywołującej, jak „Hej Google”, i dopiero po niej zaczyna rozpoznawanie.

Częste pytania

Jak dyktować znaki interpunkcyjne?

Mów „przecinek”, „kropka”, „znak zapytania” - większość klawiatur to rozumie.

Czy rozpoznawanie działa bez internetu?

Na wielu nowoczesnych telefonach tak, jeśli pobierzesz pakiet językowy.

Czy można zrobić transkrypcję nagrania wykładu?

Tak, wbudowane dyktafony niektórych smartfonów i osobne usługi robią transkrypcję, a nawet podsumowania.

Powiązane pojęcia

Synteza mowy, Tłumaczenie rozmów na żywo, AI na urządzeniu, Model multimodalny

← Słownik pojęć