Словарь ИИ
Что такое распознавание речи
Коротко
Распознавание речи (automatic speech recognition, ASR) это перевод устной речи в текст программой: из звонка, голосового сообщения или записи встречи.
Основы ИИ · speech recognition
Михаил МозгПроверено: 1 минута чтения
Ребенку
Когда бабушка диктует по телефону рецепт пирога, ты быстро записываешь каждое слово в тетрадку. Компьютер тоже умеет слушать и записывать. Он ловит звуки, догадывается, какие слова за ними спрятаны, и печатает их на экране. Ему трудно, если вокруг шумно или кто-то тараторит, но он старается и с каждым годом путается реже.
Простыми словами
Микрофон записывает звук как волну. Программа режет ее на короткие кусочки, превращает в картинку частот и по ней угадывает звуки, а потом слова. Чтобы выбрать между похожими вариантами, она смотрит на смысл фразы: «купить молоко» вероятнее, чем «купить малако». Так работают субтитры к видео, голосовой ввод в телефоне и расшифровка голосовых сообщений в мессенджере. Ошибки чаще всего появляются на шуме, акцентах, редких фамилиях и названиях товаров.
Для бизнеса
Расшифровка звонков открывает данные, которые раньше терялись: что спрашивают клиенты, где менеджер не назвал цену, почему сорвалась сделка. Ее используют для контроля качества в контакт-центре, автоматических протоколов встреч, голосовых агентов и поиска по архиву разговоров. Цена зависит от часов аудио, режима (в реальном времени или после звонка) и того, где работает модель: в облаке или на своем сервере. Запись разговора содержит персональные данные, поэтому важно, где она обрабатывается и предупрежден ли клиент о записи. Проверьте качество на своих звонках: телефонный звук, отраслевые слова и перебивания снижают точность. Подключение к вашей телефонии обычно проверяют на пилоте.
Для специалиста
Автоматическое распознавание речи (automatic speech recognition) переводит акустический сигнал в последовательность слов. Классическая схема состояла из акустической модели, словаря произношений и языковой модели. Сейчас преобладают сквозные (end-to-end) модели: CTC, кодировщик и декодировщик с вниманием (encoder-decoder), трансформеры над спектрограммой. wav2vec 2.0 (Baevski и др., 2020) учит представления речи на неразмеченном аудио: после предобучения на 53 тыс. часов и дообучения всего на десяти минутах разметки модель дает 4,8% ошибок по словам на чистом тестовом наборе. Whisper (Radford и др., 2022) обучен на 680 тыс. часов многоязычной разметки со слабым контролем (weak supervision) и работает на стандартных тестах без дообучения. Главная метрика: доля ошибок в словах (word error rate, WER). Смежные задачи: диаризация (speaker diarization), то есть разметка реплик по говорящим, и определение языка.
Пример
Клиника расшифровывает все входящие звонки регистратуры. Раз в неделю руководитель видит, какие вопросы задают чаще всего и сколько звонков закончились без записи на прием.
Связанные термины
Вопросы и ответы
Насколько точно работает распознавание речи на русском?
Можно ли распознавать речь на своем сервере?
Источники
Где это применяют в компании
Не уверены, нужно ли это вашей компании?
Карта ИИ-решений