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
DALL-E
DALL-E — модель генерации изображений от OpenAI, названная в честь художника Дали и робота WALL-E.
GPT-5
Ожидаемая мультимодальная большая языковая модель следующего поколения от компании OpenAI.
Языковая модель
Языковая модель — AI-система, обученная понимать и генерировать текст на естественном языке, предсказывая вероятность следующего слова или токена.
Image-to-Image
Image-to-Image (img2img) — генерация нового изображения на основе входного с учётом текстового промпта и степени изменения.