ਭਾਸ਼ਣ-ਤੋਂ-ਪਾਠ

ਪਰਿਭਾਸ਼ਾ

ਸਪੀਚ-ਟੂ-ਟੈਕਸਟ (STT) AI ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਬੋਲੀ ਜਾਣ ਵਾਲੀ ਭਾਸ਼ਾ ਨੂੰ ਆਪਣੇ ਆਪ ਲਿਖਤੀ ਟੈਕਸਟ ਵਿੱਚ ਬਦਲਣ ਦੀ ਪ੍ਰਕਿਰਿਆ ਹੈ। ਇਹ ASR ਨਾਲ ਨੇੜਿਓਂ ਸਬੰਧਤ ਹੈ।

ਉਦੇਸ਼

ਇਸਦਾ ਉਦੇਸ਼ ਬੋਲੀ ਜਾਣ ਵਾਲੀ ਸਮੱਗਰੀ ਨੂੰ ਪਹੁੰਚਯੋਗ ਅਤੇ ਖੋਜਯੋਗ ਬਣਾਉਣਾ ਹੈ। ਇਹ ਟ੍ਰਾਂਸਕ੍ਰਿਪਸ਼ਨ, ਪਹੁੰਚਯੋਗਤਾ ਅਤੇ ਡਿਜੀਟਲ ਸਹਾਇਕਾਂ ਵਿੱਚ ਵਿਆਪਕ ਤੌਰ 'ਤੇ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ।

ਮਹੱਤਤਾ

• ਸੁਣਨ ਤੋਂ ਕਮਜ਼ੋਰ ਉਪਭੋਗਤਾਵਾਂ ਲਈ ਪਹੁੰਚਯੋਗਤਾ ਦਾ ਸਮਰਥਨ ਕਰਦਾ ਹੈ।
• ਮੀਟਿੰਗਾਂ ਅਤੇ ਭਾਸ਼ਣਾਂ ਲਈ ਟ੍ਰਾਂਸਕ੍ਰਿਪਟ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ।
• ਸ਼ੁੱਧਤਾ ਲਹਿਜ਼ੇ ਅਤੇ ਸ਼ੋਰ ਦੀਆਂ ਸਥਿਤੀਆਂ 'ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ।
• ਲਗਭਗ ਸਾਰੀਆਂ ਆਵਾਜ਼-ਸੰਚਾਲਿਤ ਐਪਲੀਕੇਸ਼ਨਾਂ ਵਿੱਚ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ।

ਕਿਦਾ ਚਲਦਾ

1. ਆਡੀਓ ਇੰਪੁੱਟ ਕੈਪਚਰ ਕਰੋ।
2. ਆਡੀਓ ਸਿਗਨਲ ਨੂੰ ਪ੍ਰੀਪ੍ਰੋਸੈਸ ਅਤੇ ਸਧਾਰਣ ਕਰੋ।
3. ਸ਼ਬਦਾਂ ਦੀ ਪਛਾਣ ਕਰਨ ਲਈ ASR ਮਾਡਲ ਲਾਗੂ ਕਰੋ।
4. ਆਉਟਪੁੱਟ ਟੈਕਸਟ ਟ੍ਰਾਂਸਕ੍ਰਿਪਸ਼ਨ।
5. ਜੇ ਲੋੜ ਹੋਵੇ ਤਾਂ ਮਨੁੱਖੀ ਨਿਗਰਾਨੀ ਨਾਲ ਸਮੀਖਿਆ ਕਰੋ ਜਾਂ ਠੀਕ ਕਰੋ।

ਉਦਾਹਰਣਾਂ (ਅਸਲ ਦੁਨੀਆਂ)

• ਗੂਗਲ ਕਲਾਉਡ ਸਪੀਚ-ਟੂ-ਟੈਕਸਟ API।
• Microsoft Azure ਸਪੀਚ ਸਰਵਿਸਿਜ਼।
• Otter.ai ਮੀਟਿੰਗ ਟ੍ਰਾਂਸਕ੍ਰਿਪਸ਼ਨ।

ਹਵਾਲੇ / ਹੋਰ ਪੜ੍ਹਨਾ

• ਆਟੋਮੈਟਿਕ ਸਪੀਚ ਰਿਕੋਗਨੀਸ਼ਨ — NIST।
• ISO/IEC 15938-4: ਮਲਟੀਮੀਡੀਆ ਸਮੱਗਰੀ ਵਰਣਨ।
• ਜੁਰਾਫਸਕੀ ਅਤੇ ਮਾਰਟਿਨ। ਭਾਸ਼ਣ ਅਤੇ ਭਾਸ਼ਾ ਪ੍ਰਕਿਰਿਆ।
• ਸਪੀਚ-ਟੂ-ਟੈਕਸਟ ਤਕਨਾਲੋਜੀ ਕੀ ਹੈ ਅਤੇ ਇਹ ਕਿਵੇਂ ਕੰਮ ਕਰਦੀ ਹੈ