A beszédfelismerés az a folyamat, amely során az AI az emberi beszédet szöveggé alakítja.
Az algoritmus felismeri a hangmintákat és megfelelteti őket szavaknak. Ugyanakkor kihívást jelentenek a különböző akcentusok, háttérzajok és beszédstílusok.
Híd az emberi beszéd és a digitális rendszerek között.
Diktafon alkalmazások, virtuális asszisztensek (Siri, Alexa).
Az embedding olyan technika, amely a szavakat vagy más elemeket számsorozatként (vektorként) ábrázolja, hogy a gép fel tudja dolgozni őket.
Az LSTM egy rekurrens neurális hálózat típus, amely képes hosszabb időn át megőrizni fontos információkat, és kiszűrni a lényegteleneket.
A nyelvi modell egy AI-rendszer, amely a nyelv statisztikai mintázatait tanulja meg, hogy szövegeket értelmezzen vagy generáljon.
Az RNN olyan neurális hálózat, amely képes figyelembe venni az adatok sorrendjét és időbeli összefüggéseit.
A Text-to-Speech (TTS) olyan technológia, amely írott szöveget emberi hanghoz hasonló beszéddé alakít.
Az NLP az AI egyik ága, amely az emberi nyelv számítógépes feldolgozásával foglalkozik.
A tokenizálás a szöveg feldarabolása kisebb egységekre, például szavakra, szótagokra vagy karakterekre.
A transformer egy neurális hálózati architektúra, amely hatékonyan dolgozza fel a szöveges adatokat.
