Reconhecimento Automático de Fala (ASR)
16 kHz é uma taxa de amostragem comum em sistemas de voz voltados à fala. O ASR converte áudio em texto por modelos acústicos, linguísticos e neurais, permitindo que Alexa, Google Assistant e sistemas locais interpretem comandos. A precisão cai com ruído, eco, sotaques e microfones distantes. Diferentemente de NLU, o ASR apenas transcreve ou reconhece palavras; compreender intenção e contexto exige etapas posteriores.
Reconhecimento Automático de Fala é o processo computacional que transforma uma sequência de áudio em texto, tokens ou hipóteses de palavras. A cadeia pode incluir detecção de voz, redução de ruído, extração de características, decodificação neural e modelo de linguagem. Assistentes como Amazon Alexa e Google Assistant usam ASR em nuvem, enquanto projetos locais executam modelos em mini PCs, GPUs ou aceleradores dedicados. Taxas de 16 kHz e áudio mono são comuns em comandos de voz, embora sistemas de alta qualidade usem configurações maiores. A principal limitação é a variabilidade do ambiente: reverberação, televisão, sotaque, distância e sobreposição de falantes degradam a taxa de acerto.
- Converte áudio em texto ou sequências reconhecidas antes da interpretação semântica
- Depende de microfone, taxa de amostragem, ruído, idioma e modelo acústico
- Pode operar em nuvem ou localmente, com diferenças de latência, privacidade e requisito de hardware
- Métricas como Word Error Rate avaliam substituições, inserções e omissões na transcrição