talegenkendelse

Talegenkendelse (også kaldet automatisk talegenkendelse, ASR) er en disciplin inden for kunstig intelligens og talebehandling, der har til formål at konvertere talt sprog til skriftlig tekst ved hjælp af computeralgoritmer. Systemerne kan køre i realtid eller på optagede lydfiler og anvendes bredt i talestyring af enheder, automatiske transskriptioner, undertekster i videoindhold og tilgængelighedsprogrammer for døve og hørehæmmede.

Algoritmisk består talegenkendelse typisk af tre lag: forbehandling og støjreduktion, featureekstraktion og akustisk/lingvistisk modellering samt dekoding, der finder den mest sandsynlige tekst. Modellerne kan være modulære, hvor en akustisk model og en sprogmodel arbejder sammen, eller end-to-end neurale netværk, der direkte genererer tekst fra lyd. End-to-end tilgange omfatter transformerbaserede arkitekturer og erfaringer som wav2vec 2.0 og Whisper.

Historisk set blev talegenkendelse i vid udstrækning drevet af skjulte Markov-modeller og statistiske sprogmodeller; i dag domineres feltet af dybe neurale netværk og store datamængder, hvilket har forbedret og generaliseret ydelsen på tværs af sprog og dialekter.

Måleparametre: Den mest udbredte måling er ordfejlrate (WER). Udfordringer inkluderer støj og baggrund, dialektvariationer, hurtige eller uforudsigelige taleflader, realtidskrav og behov for store, ofte personlige datasæt. Etiske og juridiske overvejelser omfatter privatliv, dataadgang, bias og overholdelse af GDPR og andre databeskyttelsesregler.

Fremtiden forventes at bringe bedre sprog og dialekt-dækning, mere effektive tilpassede modeller og øget anvendelse i tilgængelighed og kommunikation på tværs af platforme.