O que é reconhecimento automático de fala? Muitas vezes abreviado como ASR, é a tecnologia que identifica automaticamente as palavras em um áudio falado, sem que uma pessoa digite. O resultado é texto simples, às vezes com marcações de tempo. A precisão depende muito da qualidade da gravação, dos sotaques e do idioma.
Transcreva uma gravação
Envie sua mensagem de voz, áudio ou vídeo para @potok_now_bot no Telegram e o texto volta para o chat.
Abrir @potok_now_bot no Telegram
Arquivos de até 2 GB · exportação em TXT, MD, DOCX, PDF, SRT e VTT · identificação de falantes e marcação de tempo · cerca de 30 idiomas
Pontos principais
- Os sistemas de ASR atuais são redes neurais treinadas com grandes coleções de gravações e as respectivas transcrições.
- ASR também é chamado de fala para texto; os dois nomes descrevem a mesma etapa de transformar som em palavras escritas.
- Os sistemas são comparados pela taxa de erro de palavras, que conta palavras erradas, faltando e sobrando em relação a um texto de referência.
- Etapas extras, como pontuação, identificação de falantes e formatação de números, costumam ser acrescentadas depois do reconhecimento em si.
- O mesmo mecanismo pode se comportar de forma muito diferente com um microfone de estúdio e com um celular apoiado do outro lado de uma mesa barulhenta.
Como fica
audio -> features -> acoustic + language model -> text
example result:
{
"text": "the meeting starts at nine",
"segments": [
{"start": 0.0, "end": 2.4, "text": "the meeting starts at nine"}
]
}
Mais
Veja a lista completa de idiomas, as ferramentas e o glossário.
Perguntas frequentes
ASR é o mesmo que fala para texto?
Sim, no uso do dia a dia. ASR é o nome técnico do processo, e fala para texto é o nome mais simples para a mesma tarefa e seu resultado.
O ASR entende o significado?
Não no sentido humano. Ele prevê as palavras mais prováveis para os sons que ouve, então pode escrever uma palavra errada que soa parecida.
O que piora o resultado do ASR?
Ruído de fundo, vozes sobrepostas, sotaques fortes, microfones ruins e nomes raros reduzem a precisão. Uma gravação limpa é a maior ajuda isolada.
Como a qualidade do ASR é medida?
Principalmente pela taxa de erro de palavras e, para idiomas escritos sem espaços, pela taxa de erro de caracteres. As duas comparam o resultado com um texto de referência feito por uma pessoa.
Como uso o ASR em uma gravação?
Envie o arquivo ao bot do Potok no Telegram. Mensagens de voz e arquivos de áudio e vídeo de até 2 GB são aceitos, e o texto volta como mensagem ou arquivo.
Fontes
Cada fonte foi aberta manualmente na data indicada. As páginas mudam, então abra a fonte se algum detalhe for importante para você.
- Speech recognition (Wikipedia), Wikipedia · verificado em
- Word error rate (Wikipedia), Wikipedia · verificado em
Teste com a sua própria gravação
Envie sua mensagem de voz, áudio ou vídeo para @potok_now_bot no Telegram e o texto volta para o chat.
Abrir @potok_now_bot no Telegram