Распознавание речи (ASR, speech-to-text)
Преобразование звучащей речи в текст. Точность зависит от языка, шума, дикции и модели; распознавание само по себе не означает понимания сказанного.
На практике
Модель получает аудио и формирует текстовую расшифровку. Система может дополнительно ставить временные метки, а определение говорящих часто выполняется отдельным компонентом.
Что учитывать
Имена, числа и речь на фоне шума требуют проверки. Наличие красивой пунктуации не подтверждает, что каждое слово было распознано верно.