Процесс, с помощью которого машина распознаёт и понимает произнесённые слова из звуковых сигналов.Распознавание речи — это технология, которая позволяет машинам преобразовывать устную речь в текст или команды. Она включает анализ звуковых сигналов, извлечение акустических признаков и их сопоставление с лингвистическими единицами, такими как фонемы и слова. Современные системы используют глубокие нейронные сети, обученные на огромных объёмах речевых данных, чтобы достичь точности, близкой к человеческой, даже в шумной обстановке или при разнообразных акцентах.
Ранние попытки в 1950-х годах использовали простое сопоставление с образцом для распознавания цифр. В 1980-х область продвинулась благодаря скрытым марковским моделям, но прорыв произошёл в 2010-х, когда глубокое обучение заменило традиционные акустические модели, что резко повысило точность.
Процесс начинается с оцифровки звуковой волны и разделения её на короткие кадры (например, по 25 мс). Для каждого кадра извлекаются признаки, такие как мел-частотные кепстральные коэффициенты (MFCC), которые отражают спектральную форму звука. Эти векторы признаков подаются в нейронную сеть — часто рекуррентную или архитектуру на основе трансформера, — которая выдаёт вероятности для возможных фонем или символов. Затем языковая модель объединяет эти вероятности с лингвистическими ограничениями, чтобы получить наиболее вероятную текстовую последовательность. Современные сквозные модели (например, Whisper, DeepSpeech) обучаются отображать аудио в текст напрямую, минуя явное выравнивание по фонемам.
Распознавание речи используется в виртуальных помощниках (Siri, Alexa), автоматических сервисах транскрипции, устройствах с голосовым управлением и в системах субтитров в реальном времени для людей с нарушениями слуха.
Современные системы распознавания речи настолько чувствительны, что их можно обмануть неслышимыми ультразвуковыми командами, скрытыми в аудиозаписях, — уязвимость, обнаруженная в 2017 году.
