Rozpoznawanie mowy (ang. speech-to-text) zamienia nagranie w tekst. Dzięki uczeniu głębokiemu działa dziś dobrze także po polsku, nawet przy szumie w tle.
Zastosowania: dyktowanie notatek, automatyczne napisy na YouTube, transkrypcje spotkań, asystenci głosowi. Odwrotny proces — zamiana tekstu na głos — to synteza mowy (text-to-speech).
Gdzie o tym piszemy
Długie dokumenty i AI: umowy, raporty i PDF-y bez gubienia faktów
AI przeczyta umowę na 40 stron w minutę. Pytanie, czy przeczyta ją dobrze. Pokazujemy, jak prowadzić analizę dokumentów z AI, żeby nie zgubić ważnego zapisu i nie dać się nabrać na zmyślony cytat.
Model głosowy Dessa: AI od Block śmieje się i płacze jak człowiek
Firma Block Jacka Dorseya pokazała Dessę, model głosowy, który śmieje się, robi pauzy i potrafi brzmieć na zmęczony. Działa na mocnym laptopie, ale na razie nikt spoza firmy go nie dostanie.