Rozpoznávání řeči neboli převod řeči na text je schopnost stroje nebo programu rozpoznat nahlas vyslovená slova a převést je na čitelný text. Základní software pro rozpoznávání řeči má omezenou slovní zásobu slov a frází a může je identifikovat pouze tehdy, jsou-li vysloveny velmi zřetelně. Sofistikovanější software má schopnost akceptovat přirozenou řeč, různé přízvuky a jazyky.

Rozpoznávání řeči zahrnuje různé oblasti výzkumu v oblasti informatiky, lingvistiky a počítačového inženýrství. Mnoho moderních zařízení nebo programů zaměřených na práci s textem v sobě může mít funkce rozpoznávání řeči, které umožňují snadnější používání zařízení nebo jeho používání bez použití rukou.

Je důležité si uvědomit, že termíny rozpoznávání řeči a rozpoznávání hlasu se někdy používají zaměnitelně. Tyto dva termíny však znamenají různé věci. Rozpoznávání řeči se používá k identifikaci slov v mluvené řeči. Rozpoznávání hlasu je biometrická technologie používaná k identifikaci hlasu konkrétní osoby nebo k identifikaci mluvčího.

Jak to funguje

Rozpoznávání řeči funguje pomocí algoritmů prostřednictvím akustického a jazykového modelování. Akustické modelování představuje vztah mezi jazykovými jednotkami řeči a zvukovými signály; jazykové modelování přiřazuje zvuky k sekvencím slov, aby pomohlo rozlišit slova, která znějí podobně.

Často se používají také skryté Markovovy modely k rozpoznání časových vzorců v řeči, aby se zvýšila přesnost v systému. Tato metoda náhodně změní systémy, u nichž se předpokládá, že budoucí stavy nezávisí na minulých stavech. Mezi další metody používané při rozpoznávání řeči může patřit zpracování přirozeného jazyka (NLP) nebo N-gramy. NLP usnadňuje proces rozpoznávání řeči a zabírá méně času. Na druhou stranu N-gramy představují relativně jednoduchý přístup k jazykovým modelům. Pomáhají vytvořit pravděpodobnostní rozdělení sekvence.

Pokročilejší software pro rozpoznávání řeči bude využívat umělou inteligenci a strojové učení. Tyto systémy budou ke zpracování řeči využívat gramatiku, strukturu, syntax a také skladbu zvukových a hlasových signálů. Software využívající strojové učení se bude učit tím více, čím častěji bude používán, takže může být snazší naučit se pojmy, jako je přízvuk.

Aplikace

Mezi nejčastější aplikace rozpoznávání řeči v podniku patří používání rozpoznávání řeči v mobilních zařízeních. Jednotlivci mohou tuto funkci využívat například v chytrých telefonech pro směrování hovorů, zpracování řeči na text, hlasové vytáčení a hlasové vyhledávání. Uživatel chytrého telefonu může použít funkci rozpoznávání řeči k odpovědi na text, aniž by se musel podívat dolů na svůj telefon. Rozpoznávání řeči je například v telefonech iPhone spojeno s dalšími funkcemi, jako je klávesnice a Siri. Pokud si uživatel přidá na klávesnici sekundární jazyk, může pak používat funkci rozpoznávání řeči v sekundárním jazyce (pokud je sekundární jazyk vybrán na klávesnici při aktivaci rozpoznávání hlasu. Pro použití dalších funkcí, jako je Siri, by uživatel musel změnit nastavení jazyka.“

Rozpoznávání řeči lze nalézt také v aplikacích pro zpracování textu, jako je Microsoft Word, kde uživatelé mohou diktovat, co chtějí, aby se zobrazilo jako text.

Pro a proti

Ačkoli je technologie rozpoznávání řeči pohodlná, má stále několik problémů, které je třeba vyřešit, protože se neustále vyvíjí. Mezi klady softwaru pro rozpoznávání řeči patří to, že se snadno používá a je snadno dostupný. Software pro rozpoznávání řeči je nyní často instalován v počítačích a mobilních zařízeních, což umožňuje snadný přístup.

Mezi nevýhody rozpoznávání řeči patří neschopnost někdy zachytit slova kvůli odchylkám ve výslovnosti, nedostatečná podpora některých jazyků a neschopnost třídit hluk na pozadí. Tyto faktory mohou vést k nepřesnostem. Některému softwaru pro rozpoznávání řeči také může zpracování řeči trvat dlouho a může se zdát relativně pomalé.

Výkonnost

Výkonnost rozpoznávání řeči se měří přesností a rychlostí. Přesnost se měří pomocí chybovosti slov. WER pracuje na úrovni slova a identifikuje nepřesnosti v přepisu, ačkoli nedokáže určit, jak k chybě došlo. Rychlost se měří pomocí faktoru reálného času. Výkon počítačového rozpoznávání řeči může ovlivnit celá řada faktorů, včetně výslovnosti, přízvuku, výšky tónu, hlasitosti a šumu v pozadí.