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
Inpainting
Inpainting — техника заполнения выделенных областей изображения новым контентом, сгенерированным AI с учётом контекста.
Context Window
Контекстное окно — максимальный объём текста (в токенах), который языковая модель может обработать за один раз, включая входной запрос и генерируемый ответ.
Multimodal
Multimodal — способность AI-системы обрабатывать и генерировать данные разных типов: текст, изображения, аудио, видео.
ControlNet
ControlNet — метод точного управления генерацией изображений через дополнительные условия: позы, края, глубину, скетчи.