Konuşma tanıma
Ses dalgalarını metne çevirmek; 1952'den beri yaklaşık her yirmi yılda bir "neredeyse çözüldü" ilan edilen bir sorun.
Bell Labs 1952'de, tek bir kişinin söylediği sıfırdan dokuza rakamları tanıyan Audrey'i yaptı. IBM 1962'de Shoebox'ı gösterdi. Üretime yönelik atılım istatistikten geldi: 1980'lerden itibaren Gauss karışımlarıyla eşleşen saklı Markov modelleri egemen oldu ve 1997'de Dragon NaturallySpeaking sürekli konuşmayı yazıya dökebiliyordu; yeter ki onu kendi sesinizle yarım saat eğitmiş olun.
Derin öğrenme hata oranlarını 2011'den itibaren yarıya indirdi; önce akustik modeli sinir ağıyla değiştirerek, sonra boru hattını tümden bırakıp CTC ya da dikkat kullanan uçtan uca modellere geçerek. OpenAI'ın Whisper'ı (2022) 680.000 saatlik ses üzerinde eğitildi ve çok sayıda dili tek bir ağırlık kümesiyle işler. Kalan zor durumlar hep aynıydı: arka plan gürültüsü, üst üste konuşan kişiler ve aksanlar.