Speech-to-Text

Définition

La reconnaissance vocale (STT) est un processus de conversion automatique du langage parlé en texte écrit à l'aide de modèles d'IA. Elle est étroitement liée à la reconnaissance automatique de la parole (RAP).

Interet

L'objectif est de rendre le contenu oral accessible et consultable. Cette technologie est largement utilisée dans la transcription, l'accessibilité et les assistants numériques.

Importance

• Prend en charge l’accessibilité pour les utilisateurs malentendants.
• Fournit des transcriptions de réunions et de conférences.
• La précision dépend des accents et des conditions de bruit.
• Utilisé dans presque toutes les applications à commande vocale.

Fonctionnement

1. Capturer l'entrée audio.
2. Prétraiter et normaliser le signal audio.
3. Appliquer les modèles ASR pour reconnaître les mots.
4. Transcription du texte de sortie.
5. Réviser ou corriger avec une supervision humaine si nécessaire.

Exemples (monde réel)

• API de conversion de la parole en texte de Google Cloud.
• Services vocaux Microsoft Azure.
• Transcription de la réunion Otter.ai.

Références / Lectures complémentaires

• Reconnaissance automatique de la parole — NIST.
• ISO/IEC 15938-4 : Description du contenu multimédia.
• Jurafsky et Martin. Traitement de la parole et du langage.
• Qu'est-ce que la technologie Speech-To-Text et comment ça marche