Taligenkänning
Att omvandla ljudvågor till text — ett problem som ansågs nästan löst vart tjugonde år från 1952 och framåt.
Bell Labs byggde 1952 systemet Audrey, som kände igen siffrorna noll till nio uttalade av en enda person. IBM visade Shoebox 1962. Genombrottet i produktion kom med statistiska metoder: dolda Markovmodeller kombinerade med gaussiska blandningar dominerade från 1980-talet, och 1997 kunde Dragon NaturallySpeaking diktera sammanhängande tal — förutsatt att man tränat systemet på sin egen röst i en halvtimme.
Djupinlärning halverade felfrekvensen från 2011, först genom att byta ut den akustiska modellen mot ett neuralt nät, sedan genom att slopa pipelinen helt till förmån för end-to-end-modeller med CTC eller attention. OpenAIs Whisper (2022) tränades på 680 000 timmar ljud och klarar ett stort antal språk med samma vikter. Kvarvarande svårigheter är desamma som alltid: bakgrundsljud, överlappande talare och dialekt.