S
Speech-to-Text
Также известен как: STT, Распознавание речи, ASR, Automatic Speech Recognition
Генеративный AIОпределение
Speech-to-Text (STT) — технология автоматического распознавания речи и преобразования её в текст.
Простое объяснение
STT — как стенографист, который мгновенно записывает всё, что вы говорите. Только работает 24/7, не устаёт и понимает сотню языков.
Подробнее
Whisper от OpenAI стал стандартом open-source STT, поддерживая 100+ языков с высоким качеством. Модель обучена на 680k часов аудио и устойчива к шуму, акцентам, техническим терминам. Faster-Whisper и whisper.cpp оптимизируют inference. Коммерческие решения: Deepgram, AssemblyAI, Google Speech-to-Text. Современные системы поддерживают real-time транскрипцию, speaker diarization (разделение говорящих), пунктуацию. Применения: субтитры, meeting notes, voice interfaces.
Связанные термины
Token
Токен — минимальная единица текста, обрабатываемая языковой моделью; обычно это слово, часть слова или символ.
LLaMA
LLaMA (Large Language Model Meta AI) — семейство открытых языковых моделей от Meta, ставшее основой для множества производных моделей.
Hallucination
Галлюцинация AI — генерация языковой моделью информации, которая выглядит правдоподобно, но является фактически неверной или выдуманной.
Gemini
Gemini — мультимодальное семейство AI-моделей от Google DeepMind, объединяющее понимание текста, изображений, аудио и видео.