詳細解釋
語音轉文字（STT, Speech-to-Text）是將語音識別轉換為文字的技術，也稱為自動語音辨識（ASR）。
技術挑戰：
- 發音變異：口音、方言、個人發音習慣
- 同音異義：識別正確用詞（「形式」「形勢」）
- 環境噪音：背景聲音干擾
- 連音現象：自然語流中的音變
- 專業術語：醫療、技術詞彙識別
技術演進：
- 傳統：聲學模型+語言模型+發音詞典分開
- 端到端：ctc、attention統一架構
- 現代：Whisper等大型多語言模型
- 流式識別：即時輸入即時輸出
應用場景：
- 語音輸入：手機語音打字、智能輸入法
- 字幕生成：影片自動上字幕
- 會議紀錄：自動轉錄會議內容
- 語音助手：理解語音指令
- 客服分析：分析通話內容
- 醫療紀錄：醫生語音記錄病歷
代表產品：
- OpenAI Whisper（開源、多語言、強大）
- Google Speech-to-Text
- 科大讯飞（中文領先）
- Azure Speech Services
準確率：安靜環境標準口音可達95%+，複雜環境或口音可能降至80%。