Что такое STT?

Движок STT принимает аудио, выделяет из него речевые единицы и подбирает наиболее вероятную последовательность слов с учётом языка и контекста. Современные модели работают в потоковом режиме (для диалога в реальном времени) или пакетно (для расшифровки записей). Точность зависит от чистоты аудио, языка и акцента, отраслевой лексики и того, разделены ли говорящие по каналам.

STT — фундамент двух больших сценариев. В анализе разговоров он даёт транскрипт, поверх которого работают диаризация, метрики, темы и поиск. В голосовых агентах он в реальном времени превращает речь абонента в текст, который затем понимает языковая модель, — без быстрого и точного распознавания живой диалог невозможен.

Движки распознавания различаются языками, точностью, задержкой и стоимостью, поэтому под конкретную задачу выбирают разные. Для одних сценариев важнее минимальная задержка, для других — максимальная точность или низкая цена при больших объёмах, а иногда — возможность распознавать локально, не отправляя аудио наружу.

На точность STT можно влиять и приёмами обработки: разделение говорящих по каналам, шумоподавление, вырезание тишины перед распознаванием. От качества этого шага напрямую зависит достоверность всей последующей аналитики, ведь ошибки распознавания переносятся в метрики, темы и извлечённые данные.