Система распознавания голоса в социальных сетях работает на основе технологии автоматического распознавания речи (ASR). 3 Она помогает переводить устную речь в текст. 3

Процесс включает несколько этапов: 4

1. Анализ сигнала. 4 Система получает голосовой сигнал, записывает и посылает на сервер. 4 Сервер очищает сигнал от шумов и помех, затем делит запись на фонемы — фрагменты длиной до 25 миллисекунд. 4 Каждый фрагмент сервер пропускает через акустическую модель, которая определяет, какие именно звуки произнесены. 4
2. Расшифровка аудио. 4 Речевые фрагменты записи сравнивают с эталонными произношениями слогов и слов из акустической модели. 4 Система использует машинное обучение, чтобы подобрать фонетические варианты произнесённых слов и определить их контекст. 4
3. Преобразование речи в текст. 4 С помощью языковой модели алгоритм определяет порядок слов и подбирает нераспознанные слова по контексту. 4 Полученная информация поступает в декодер, который объединяет данные от акустической и языковой моделей и преобразует их в текст. 4

Например, во «ВКонтакте» после того, как пользователь записывает аудио, оно попадает на сервер, где запись обрабатывают три нейросети: 3

• Акустическая модель отвечает за распознавание звуков. 3
• Языковая модель формирует из звуков слова. 3
• Пунктуационная модель определяет границы предложения, расставляет знаки препинания и заглавные буквы. 3 Это нужно, чтобы на выходе получился связный логичный текст. 3