Riconoscimento vocale
Trasformare le onde sonore in testo: un problema dichiarato quasi risolto circa ogni vent'anni dal 1952.
I Bell Labs costruirono Audrey nel 1952, in grado di riconoscere le cifre da zero a nove pronunciate da una sola persona. IBM presentò Shoebox nel 1962. La svolta produttiva venne dalla statistica: i modelli di Markov nascosti abbinati a misture gaussiane dominarono dagli anni Ottanta, e nel 1997 Dragon NaturallySpeaking riusciva a trascrivere il parlato continuo, a patto di averlo addestrato per mezz'ora sulla propria voce.
Dal 2011 il deep learning ha dimezzato i tassi d'errore, prima sostituendo il modello acustico con una rete neurale, poi scartando del tutto la pipeline a favore di modelli end-to-end basati su CTC o attenzione. Whisper di OpenAI (2022) è stato addestrato su 680.000 ore di audio e gestisce un gran numero di lingue con un solo insieme di pesi. I casi difficili rimasti sono quelli di sempre: rumore di fondo, voci sovrapposte e accenti.