Talegenkendelsessystemer

Talegenkendelsessystemer er software eller hardware, der konverterer talt sprog til skrift. De bruges i stemmestyring, transskription, kundeservice, undertekstning og tilgængelighed.

De behandler lydsignalet ved at udlede funktioner som spektrogrammer eller MFCC'er. En akustisk model lærer sammenhængene mellem disse funktioner og fonemer, en sprogmodel vurderer sandsynlige ordsekvenser, og en decoder kombinerer disse oplysninger for at producere tekst. End-to-end-systemer lærer i stedet en direkte kortlægning fra lyd til tekst via neurale netværk, uden separate fonem- eller ordmodeller.

Arkitekturmæssigt findes modulære ASR-systemer med separat akustisk model, sprogmodel og ordbog, samt end-to-end-systemer, der ofte er streamingvenlige og kan køre i realtid. Systemer kan være on-device eller cloudbaserede, og de kan være tale- eller domain-specifikke samt sprog- og dialektuafhængige.

Nøglekomponenter inkluderer den akustiske model, sprogmodellen, leksikonet eller ordforrådet, afkodningen og post-processing. Træning kræver store mængder af transkriberede lyddata samt afstemning mellem tale og tekst for at opnå høj nøjagtighed.

Anvendelserne spænder fra smartphone-stemmeassistenter og automatiske telefonsvarer til møde- og mødejournaltransskription, tilgængelighed for døve og hørehæmmede samt bil- og industriel brug.

Evalueringsmål omfatter ordfejlrate (WER), karakterfejlrate (CER), realtidsfaktor og robusthed over støj og accenter. Udfordringer inkluderer støj, dialekter, forskellige domæner, privatliv og bias samt begrænsede ressourcer ved on-device-løsninger.

Historisk har talegenkendelsessystemer udviklet sig fra tidlige forsøg i midten af det 20. århundrede til nutidens dybe læringsmodeller. Fremtidige tendenser inkluderer flerord- og fler­sprogssystemer, forbedret on-device ydeevne og privacy-preserving tilgange.