الترجمة من الكلام إلى نص

واجهة برمجة تطبيقات الكلام على الويب هي واجهة أصلية للمتصفح توفر إمكانيات التعرف على الكلام وتوليف الكلام. تسمح لتطبيقات الويب بتحويل اللغة المنطوقة إلى نص دون الحاجة إلى خدمات خارجية أو إضافات. يتم تنفيذ واجهة برمجة التطبيقات مباشرة في محرك المتصفح، حيث يستخدم كروم وإيدج خوادم التعرف على الكلام من جوجل، ويستخدم سفاري التعرف على الكلام من سيري من آبل.

يقوم التعرف التلقائي على الكلام بتحويل الصوت المنطوق إلى نص من خلال عدة مراحل. أولاً، تتم معالجة الإشارة الصوتية وتقسيمها إلى إطارات صغيرة. تقوم النماذج الصوتية، وهي عادةً شبكات عصبية عميقة، بتحليل هذه الإطارات لتحديد الأصوات (وحدات الصوت الأساسية). ثم تحدد نماذج اللغة التسلسل الأكثر احتمالاً للكلمات بناءً على الأصوات والاحتمالية الإحصائية لتوليفات الكلمات في اللغة المستهدفة.

تعتمد دقة التعرف على الكلام على عدة عوامل بما في ذلك مستويات الضوضاء الخلفية، وجودة الميكروفون، ووضوح وسرعة التحدث، واللهجة، وتعقيد المفردات المستخدمة. تلعب العوامل التقنية مثل معدل أخذ عينات الصوت، ونسبة الإشارة إلى الضوضاء، وحجم بيانات تدريب نموذج اللغة أيضًا أدوارًا مهمة في جودة التعرف.

يركز التعرف على الكلام (ASR) تحديدًا على تحويل إشارات الصوت المنطوقة إلى نص مكتوب. أما معالجة اللغة الطبيعية (NLP) فهي مجال أوسع يتعامل مع فهم اللغة البشرية وتفسيرها وتوليدها في شكل نصي. يتولى ASR عملية التحويل من الصوت إلى النص، بينما تعالج NLP النص الناتج لمهام مثل تحليل المشاعر والترجمة والتلخيص وتصنيف النوايا.