Reconhecimento de fala, também chamado de reconhecimento automático de fala (ASR), converte áudio falado em texto escrito. É a contraparte voltada para entrada do texto-para-fala e um componente fundamental do IA conversacional, assistentes de voz, software de ditado e sistemas automáticos de legendagem.
História
Os primeiros sistemas de reconhecimento de fala nas décadas de 1970 e 1980 dependiam de características acústicas projetadas manualmente combinadas com modelos ocultos de Markov, modelos estatísticos bem adequados para representar a estrutura sequencial e variável no tempo da fala, frequentemente emparelhados com modelos de linguagem n-grama para restringir sequências plausíveis de palavras. Esses sistemas exigiam ajustes substanciais específicos de domínio e tinham dificuldades com sotaques, ruído de fundo e vocabulário fora de seus dados de treinamento. A década de 2010 trouxe uma mudança em direção ao aprendizado profundo, primeiro substituindo componentes individuais do pipeline por redes neurais e depois migrando para arquiteturas neurais totalmente de ponta a ponta, notavelmente modelos de sequência baseados em redes neurais recorrentes e, após 2017, sistemas baseados em transformers que mapeavam áudio bruto ou levemente processado diretamente para texto, sem um pipeline separado de modelo acústico e de linguagem.
Sistemas modernos
O Whisper da OpenAI, lançado como código aberto em 2022, tornou-se um sistema de ASR de propósito geral amplamente adotado, treinado em um grande e diversificado conjunto de dados multilíngue de áudio emparelhado com transcrições, e notável por seu forte desempenho em sotaques, ruído de fundo e múltiplos idiomas sem ajuste fino por idioma. O Whisper e sistemas comparáveis de outros laboratórios são comumente usados como um componente dentro de pipelines maiores de IA multimodal, assistentes de voz e produtos de transcrição de reuniões, e suas saídas frequentemente alimentam tarefas downstream de processamento de linguagem natural, como sumarização ou tradução.
Técnicas
Sistemas modernos de ASR tipicamente usam um codificador que processa áudio em uma sequência de representações aprendidas e um decodificador que gera texto de forma autorregressiva, um padrão de arquitetura intimamente relacionado a modelos sequência-a-sequência e sistemas de tradução automática. O treinamento depende fortemente de grandes conjuntos de dados pareados de áudio-texto, e o pré-treinamento com aprendizado autossupervisionado em áudio não rotulado, aprendendo representações úteis antes que quaisquer transcrições estejam disponíveis, tornou-se uma técnica importante para melhorar o desempenho em idiomas com dados rotulados limitados, paralelizando abordagens semelhantes no processamento de linguagem natural e na visão computacional.
Aplicações e limitações
O reconhecimento de fala sustenta legendagem ao vivo, assistentes de voz como os integrados em smartphones, software de ditado, análise de call centers e ferramentas de acessibilidade para usuários surdos e com deficiência auditiva. Apesar dos grandes ganhos em precisão, os sistemas de ASR ainda apresentam desempenho desigual entre sotaques, dialetos e idiomas com menos dados de treinamento disponíveis, uma fonte documentada de viés algorítmico em sistemas comerciais. Ruído de fundo, falantes sobrepostos e vocabulário específico de domínio, como terminologia médica ou jurídica, também permanecem como fontes de erro, e os sistemas são frequentemente ajustados ou complementados com vocabulários personalizados para implantações especializadas. A avaliação tipicamente se concentra na taxa de erro de palavras, embora essa métrica única possa obscurecer desempenho desigual entre grupos demográficos e condições de fala.