AI 术语表 · 入门 · 语音与音频
语音识别
语音识别（ASR，Automatic Speech Recognition，也称 STT）是一种听取人说话的声音，并把内容转写成文字的技术。
通俗解释 这类似于边听讲座边记录的速记员。和速记员一样，没听清的部分会根据前后语境推测补全，而一旦推测出错，就可能写下毫不相干的词。
工作原理
麦克风收到的声音，首先会被转换成一种类似图像的数据，用来表示随时间变化的各个音高的声音有多强。深度学习模型根据这些数据，推断其对应哪些声音、字或词。此时还会同时利用“哪个词后面容易接哪个词”这类语言知识，在听起来相似的说法中选出符合上下文的那一个。如今的主流是输入声音就能直接输出文字的单个大模型（端到端方式），也有用一个模型转写多种语言的做法。
为什么重要
语音识别是语音助手、会议纪要自动生成、视频字幕、呼叫中心通话分析等几乎所有需要把话语转成数据的服务的入口。转写出的文字可以直接交给 LLM 进行摘要、翻译和回答，因此它与 TTS 一起，成为实现“用语音交流的 AI”的核心组件。在不便用手的场景，或为听障人士提供实时字幕等无障碍方面，它也很重要。
注意事项
在有环境噪音、多人同时说话、方言和口音、专业术语和专有名词的情况下，准确率容易下降。有些模型会在几乎没有声音的片段里编造并写下说话者实际没说过的话，出现幻觉，因此重要记录最好由人工核对。此外，声音属于个人信息，所以录音是发送到服务器还是在设备内处理（端侧 AI），也是选择服务时需要考虑的一点。
示例
会议录音应用或视频会议服务中的“自动会议纪要”功能，先用语音识别把对话转写成文字，再由 LLM 对文字进行摘要并提取待办事项列表。智能手机的语音输入键盘，以及 YouTube 等视频平台的自动字幕，也是使用语音识别的典型例子。