🎙 ASR (Automatic Speech Recognition) — технологія розпізнавання мови, яка зчитує голос і перекладає його в текст. Приклади та можливості використання

Що таке ASR
☝️ ASR (Automatic Speech Recognition) — це технологія, яка допомагає перекладати усне мовлення в текст

♻️ Основні тези:
🔹 Технологія ASR почала ставати масовою лише кілька років тому
🔹 Створити голосове повідомлення швидше та зручніше ніж текстове, але прочитати текстове повідомлення — швидше, ніж слухати голосове
🔹 За текстом простіше знайти необхідну інформацію (більшість людей візуали) та вона легше сприймається - особливо якщо ми говоримо про числа у наведених фактах
🔹 Для якісного перетворення голосових повідомлень у текст використовуються такі інструменти як нейронна мережа, шумоподавлення, редактор пауз, робота з нерозбірливою мовою (скоречення, запозичення або сленг, та навіть з ненормативна лексика)
🔹 Розпізнавання не може бути абсолютно точним - жодна нейромережа не створить розшифровку, коректну на 100%
🔹 Провідні месенджери почали впровадження функції розшифровки та перетворення голосових повідомлень у текст та пропонують це як додаткову перевагу/можливість у преміум акаунтах (наприклад Telegram Premium)

♻️ Як використовувати розпізнавання мовлення у продуктах:
🔘 Передавати інформацію в пошук або переводити в голосові команди для техніки
🔘 Використовувати для керування в іграх, сервісах, 3D маркетингу - VR/AR
🔘 Розшифровка голосових повідомлень (визначення ключових повідомлень та тональності)
🔘 Текст може бути більш коректно використаний при генеруванні запитів для нейронної мережі (з розвитком цього напрямку останнім часом це стає дедалі актуальніше) - наприклад при створенні контенту або пошуку необхідної інформації
🔘 Автоматичні субтитри для відео. Допомагає дивитися відео без звуку – зручно, коли хочеться не заважати оточуючим. YouTube використовує такій функціонал для збільшення тривалості переглядів відео
🔘 Діарізація — розділення тексу на репліки та частини. Наприклад фрази різних спікерів конференцій або учасників веб-зустрічей, навіть якщо співрозмовники спілкуються без помітних пауз
🔘 Відповідність вимови до стандарту - використовуються у навчальному процесі при вивченні іноземних мов
🔘 Використовувати для аналізу та оцінку відповідності певним вимогам та шаблонам (наприклад відповідність фактичної розмови при комунікації співробітників відділу продажу з клієнтами). Використовується у деяких CRM системах які мають відповідні інтеграції з голосовими або відео каналами комунікацій
🔘 Перетворення інформації про хворобу у текст на начальному етапі комунікацій пацієнта з лікарем (економія часу лікаря)
🔘 Автоматизація процесу перевірки стану здоров’я пацієнта та введення даних за допомогою голосу
🔘 Автоматизація та економія ресурсів на складання нотаток і звітів, а також на ведення медичних записів кожного пацієнта

#ASR #Audio #Video #Text #NeuralNetwork #AI #ML