röstinmatning

Röstinmatning är tekniken att mata in text och kommandon genom tal i stället för att skriva med ett tangentbord. Den används i smartphones, datorer och uppkopplade assistenter och bygger på taligenkänning som omvandlar vad som sägs till maskinläsbar text eller kommandon i realtid eller nära realtid.

Systemet fångar upp ljud via en mikrofon, bearbetar ljudet och extraherar funktioner, och använder sedan akustiska modeller och språkmodeller för att avkoda talet till ord. Moderna system använder ofta neurala nätverk och kan köra antingen lokalt på enheten eller i molnet. Lokala lösningar ökar integriteten och minskar nätverksberoende, men kräver ofta mindre resurskrävande modeller; molnbaserade tjänster kan erbjuda bättre noggrannhet och fler språk men innebär att ljuddata skickas till en server.

Användningsområden inkluderar diktation i dokument och e-post, röststyrning av operativsystem och appar, handsfree-navigation i fordon samt stöd för personer med nedsatt syn eller motorik. Vissa system stödjer kommandon för interaktion, t.ex. tala ut skiljetecken eller göra pauser, medan andra fokuserar på kontinuerlig texting.

Noggrannheten mäts ofta i ordfelprocent (WER) och påverkas av språk, dialekter, bakgrundsljud och accent. Integritet och säkerhet är centrala frågor eftersom ljuddata kan innehålla känslig information.

Vanliga tekniska plattformar inkluderar kommersiella tjänster som Google Speech-to-Text, Apple Siri och Microsoft Azure Speech samt open source-projekt som Kaldi, CMU Sphinx och Mozilla DeepSpeech. På svenskt håll finns stöd för svenska och svenska dialekter i flera kommersiella och fria lösningar.