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
Gemini
Gemini — мультимодальное семейство AI-моделей от Google DeepMind, объединяющее понимание текста, изображений, аудио и видео.
Generative AI
Генеративный AI — системы искусственного интеллекта, способные создавать новый контент: тексты, изображения, музыку, видео, код.
Diffusion Models
Диффузионные модели — класс генеративных моделей, которые учатся создавать данные путём постепенного удаления шума из случайного входа.
Mistral
Mistral AI — французская компания, создающая высокоэффективные open-source языковые модели, конкурирующие с закрытыми решениями.