Speech-to-text (trascrizione vocale)
Lo speech-to-text, o riconoscimento automatico del parlato, è la tecnologia che converte una registrazione audio in testo scritto, che si può poi cercare, analizzare e utilizzare.
Definizione
Lo speech-to-text prende un segnale audio e produce una trascrizione. I sistemi attuali usano reti neurali addestrate su grandi quantità di parlato registrato e prevedono le parole più probabili in base ai suoni e al contesto. Il risultato può includere marcatori temporali, punteggiatura e, in alcuni strumenti, l'indicazione di chi sta parlando.
L'accuratezza si esprime di solito con il tasso di errore sulle parole: la quota di parole sbagliate, mancanti o aggiunte rispetto a una trascrizione di riferimento fatta da una persona. Varia molto con la qualità dell'audio, il rumore di fondo, gli accenti, la velocità, il lessico specialistico e la lingua stessa. La trascrizione in tempo reale deve inoltre bilanciare rapidità e precisione.
Le trascrizioni alimentano tutto ciò che viene dopo in un sistema vocale, quindi un errore di riconoscimento può cambiare il senso di una risposta, soprattutto per nomi, numeri e termini tecnici. Conviene provare con i propri audio e i propri accenti, conservare la possibilità di riascoltare la registrazione originale e non considerare la trascrizione un resoconto perfetto.
Punti chiave
- Converte il parlato in testo; si chiama anche riconoscimento automatico del parlato (ASR).
- L'accuratezza si misura con il tasso di errore sulle parole rispetto a una trascrizione umana.
- Rumore, accenti, termini specialistici e parlato veloce la riducono.
- Nomi e numeri sono i punti deboli abituali: verifica l'audio per ciò che conta.
- È il primo passo della maggior parte degli agenti vocali AI, prima della comprensione del linguaggio.
Esempio
Un centro di formazione registra check-in di dieci minuti con i propri corsisti. Le trascrizioni sono ricercabili, così una coordinatrice trova tutte le conversazioni in cui si parla di un problema di trasporti. Alcuni nomi di comuni risultano scritti male, quindi il team riascolta l'audio prima di agire.
Domande frequenti
Lo speech-to-text è la stessa cosa del riconoscimento vocale?
Non esattamente. Lo speech-to-text stabilisce quali parole sono state dette. Il riconoscimento del parlante stabilisce chi sta parlando. Si possono combinare, ma sono compiti diversi.
Quanto è accurato lo speech-to-text?
Dipende dall'audio e dalla lingua. Registrazioni chiare in lingue molto parlate danno buoni risultati; rumore, accenti marcati o gergo tecnico li peggiorano, quindi conviene provarlo sulle tue registrazioni.
Una trascrizione è un dato personale?
Sì, se permette di identificare una persona. Le trascrizioni delle conversazioni vanno protette, conservate solo per il tempo necessario e trattate secondo le norme sulla protezione dei dati che ti riguardano.
Termini correlati
Conversazioni IA, decisioni umane
Passisto conduce conversazioni vocali strutturate con candidati, collaboratori, clienti e studenti, e le trasforma in report su cui agire.