भाषण से पाठ

परिभाषा

स्पीच-टू-टेक्स्ट (एसटीटी) एआई मॉडल का उपयोग करके बोली जाने वाली भाषा को स्वचालित रूप से लिखित पाठ में बदलने की प्रक्रिया है। यह एएसआर से काफी हद तक संबंधित है।

उद्देश्य

इसका उद्देश्य मौखिक सामग्री को सुलभ और खोज योग्य बनाना है। इसका व्यापक रूप से प्रतिलेखन, अभिगम्यता और डिजिटल सहायकों में उपयोग किया जाता है।

महत्व

• श्रवण बाधित उपयोगकर्ताओं के लिए सुगम्यता का समर्थन करता है।
• बैठकों और व्याख्यानों के लिए प्रतिलिपियाँ प्रदान करता है।
• सटीकता उच्चारण और शोर की स्थिति पर निर्भर करती है।
• लगभग सभी आवाज-संचालित अनुप्रयोगों में उपयोग किया जाता है।

यह कैसे काम करता है:

1. ऑडियो इनपुट कैप्चर करें.
2. ऑडियो सिग्नल को प्रीप्रोसेस और सामान्यीकृत करें।
3. शब्दों को पहचानने के लिए ASR मॉडल लागू करें।
4. आउटपुट पाठ प्रतिलेखन.
5. यदि आवश्यक हो तो मानवीय निरीक्षण से समीक्षा करें या सुधार करें।

उदाहरण (वास्तविक दुनिया)

• गूगल क्लाउड स्पीच-टू-टेक्स्ट एपीआई.
• माइक्रोसॉफ्ट एज़्योर स्पीच सर्विसेज.
• Otter.ai बैठक प्रतिलेखन.

संदर्भ / आगे पढ़ने के लिए

• स्वचालित वाक् पहचान - एनआईएसटी.
• आईएसओ/आईईसी 15938-4: मल्टीमीडिया सामग्री विवरण।
• जुराफस्की और मार्टिन: भाषण और भाषा प्रसंस्करण।
• स्पीच-टू-टेक्स्ट टेक्नोलॉजी क्या है और यह कैसे काम करती है