Puheentunnistuksen

Puheentunnistus on teknologia, joka muuntaa puhuttua kieltä kirjoitetuksi tekstiksi tai muiksi järjestelmätoiminnoiksi. Se on osa ihmisen ja tietokoneen välistä vuorovaikutusta ja sitä hyödynnetään muun muassa puhekirjoittamisessa, virtuaaliavustajissa sekä esteettömyyden parantamisessa.

Tyypillinen kehityskulku alkaa ääninäytteiden ominaisuuksien, kuten MFCC- tai mel-spektrogrammien, piirteiden poimimisesta. Tämän jälkeen seuravat akustinen malli, kielimalli ja dekoodaus, jonka avulla voidaan muodostaa kirjoitettu teksti. Alun perin puheentunnistuksen teknologiakehitykseen vaikuttivat tilastolliset mallit, kuten HMM-GMM, mutta nykyisin yleisesti käytetään end-to-end-neuroverkkoja.

Tekniikoissa hyödynnetään erilaisia rakenteita, kuten HMM, Connectionist Temporal Classification (CTC) sekä huomio– tai transformer-pohjaisia malleja. Esimerkkejä nykyisistä suurista kehityssuuntauksista ovat Wav2Vec 2.0 ja Whisper-tyyppiset mallit. Monikielisyys ja resurssien niukkuus asettavat haasteita, ja malleja joudutaan usein mukauttamaan erilaisiin kielellisiin ja akustisiin ympäristöihin.

Sovellukset kattavat sekä reaaliaikaisen että eräajoon tarkoitetun transkription, puheavusteiset järjestelmät, asiakaspalvelut sekä tekstityksen videoille ja medioille. Puheentunnistuksen käyttöönotto vaatii usein huomioita yksityisyydestä, turvallisuudesta ja datan hallinnasta sekä lain- ja eettisistä näkökohdista.

Arviointi puheentunnistuksessa perustuu yleisesti sanavuheiden määrää mittaava sanavirhetilasto (WER) sekä kirjainten tasolla mitattava CER, sekä järjestelmän reaaliaikaisuus ja laskennallinen kustannus. Suomen kielessä kehitystyö kohtaa erityisiä haasteita, mutta resurssien kartoitus ja monikieliset ratkaisut edistävät käytäntöjä sekä tutkimusta.