คำพูดเป็นข้อความ

คำนิยาม

การแปลงคำพูดเป็นข้อความ (Speech-to-text: STT) คือกระบวนการแปลงภาษาพูดเป็นข้อความเขียนโดยอัตโนมัติโดยใช้โมเดล AI ซึ่งมีความเกี่ยวข้องอย่างใกล้ชิดกับ ASR

จุดมุ่งหมาย

จุดประสงค์คือเพื่อให้เนื้อหาที่พูดสามารถเข้าถึงและค้นหาได้ มีการใช้กันอย่างแพร่หลายในการถอดเสียง การเข้าถึง และผู้ช่วยดิจิทัล

ความสำคัญ

• รองรับการเข้าถึงสำหรับผู้ใช้ที่มีความบกพร่องทางการได้ยิน
• จัดทำบันทึกการประชุมและการบรรยาย
• ความแม่นยำขึ้นอยู่กับสำเนียงและสภาวะเสียง
• ใช้ในแอปพลิเคชั่นที่ควบคุมด้วยเสียงเกือบทั้งหมด

วิธีการทำงาน

1. จับอินพุตเสียง
2. ประมวลผลล่วงหน้าและทำให้สัญญาณเสียงเป็นปกติ
3. ประยุกต์ใช้โมเดล ASR เพื่อจดจำคำศัพท์
4. การถอดความข้อความเอาท์พุต
5. ตรวจสอบหรือแก้ไขภายใต้การกำกับดูแลของมนุษย์หากจำเป็น

ตัวอย่าง (โลกแห่งความเป็นจริง)

• API การแปลงคำพูดเป็นข้อความของ Google Cloud
• บริการคำพูดของ Microsoft Azure
• การถอดเสียงการประชุม Otter.ai

อ้างอิง/อ่านเพิ่มเติม

• การจดจำเสียงพูดอัตโนมัติ — NIST
• ISO/IEC 15938-4: คำอธิบายเนื้อหามัลติมีเดีย
• Jurafsky & Martin. การประมวลผลคำพูดและภาษา
• เทคโนโลยีเสียงพูดเป็นข้อความคืออะไรและทำงานอย่างไร