Mi a beszéd–szöveg technológia? Működése és felhasználása

A whispertranscribe.ai szerkesztősége · Utolsó frissítés: 2026. november · 12 perc olvasás · Kategória: Átírási alapismeretek

Mi a beszéd–szöveg technológia? Olyan szoftver, amely meghallgatja a kimondott szavakat, és szerkeszthető szövegként leírja őket. Más neve speech to text vagy automatikus beszédfelismerés (ASR). Két formája van: élőben beszéd közben jeleníti meg a szavakat, felvételből pedig kész hang- vagy videófájlt alakít átirattá.

Tájékoztatásként: mi készítjük a whispertranscribe.ai böngészős átírási szolgáltatást. A technológia működéséről szóló állítások a Google, Microsoft, Apple, W3C vagy egy kutatási áttekintés forrásaira mutatnak, nem a marketingünkre.

Gyors válasz: mi a beszéd–szöveg?

Automatikusan szöveggé alakítja a beszédet: hang érkezik, egy beszédfelismerő modell kiválasztja a legvalószínűbb szavakat, a szoftver pedig írásjeleket ad hozzá.

  • Más nevek: speech to text, beszédfelismerés, ASR, hangalapú gépelés, talk-to-text.
  • Két mód: élő (streaming) íráshoz és felirathoz, fájlos (batch) már meglévő felvételhez.
  • Korlát: a pontosság erősen hangfüggő. A zaj, mikrofontávolság, erős akcentus, szakszó és átfedő beszéd hibát okozhat.

Voice to text, speech to text, diktálás és átírás

A voice to text és speech to text ugyanazt jelenti. A diktálás egyik felhasználása (beszéd egy szövegmezőbe), az átírás másik (felvételből írásos dokumentum). A „voice recognition” más: a beszélőt azonosítja.

A W3C Web Accessibility Initiative a „speech recognition” kifejezést a szavak szöveggé alakítására, a „voice recognition” vagy „speaker recognition” nevet pedig a beszélőt, nem a szavakat azonosító technológiára használja.

Fogalom Általános jelentés Tipikus kimenet
Voice to text A beszéd szöveggé alakításának hétköznapi neve Szöveg képernyőn vagy fájlban
Speech to text (STT) Ugyanaz, szoftverdokumentációban gyakori elnevezés Szöveg, gyakran időbélyeggel
Automatikus beszédfelismerés (ASR) A technikai terület és mögöttes modell Legvalószínűbb szósorozat
Diktálás vagy hangalapú gépelés Beszéd a szövegmezőbe gépelés helyett Szöveg a kurzornál
Átírás Felvétel vagy esemény írásos rögzítése Szerkeszthető, kereshető és exportálható átirat
Élő felirat Valós idejű szöveg hanglejátszás közben Képernyőfelirat, többnyire mentés nélkül
Hang- vagy beszélőfelismerés Ki beszél? Beszélőcímke, nem szavak

Minden diktálás beszéd–szöveg, de nem minden beszéd–szöveg diktálás. Egy 90 perces interjú átírást igényel, a kéz nélküli e-mail-válasz diktálást.

Hogyan működik a beszéd–szöveg?

Minden rendszer hangot rögzít, numerikus jellemzőkké alakítja, tanított modellel kiválasztja a legvalószínűbb szavakat és formázza az eredményt. Az elmúlt évtizedben a modell felépítése változott.

  1. Rögzítés. Mikrofon vagy hangfájl digitális jelet szolgáltat. A Google Cloud Speech-to-Text dokumentációja választási lehetőségnél 16 000 Hz-es rögzítést javasol. Az alacsonyabb frekvencia ronthatja a pontosságot, a magasabb nem ad számottevő előnyt.
  2. Jellemzőkinyerés. A jelet rövid keretekre osztják és jellemzővé alakítják, rendszerint spektrogrammá, amely az energia frekvencia és idő szerinti változását mutatja.
  3. Felismerés. A modell a jellemzőket a legvalószínűbb szósorozathoz rendeli.
  4. Formázás. A rendszer írásjelet, nagybetűt, esetenként időbélyeget vagy beszélőcímkét ad hozzá.

Klasszikus megközelítés: akusztikus és nyelvi modell

Évtizedekig a beszédfelismerés külön részekből állt. Egy 2023-as áttekintés négy összetevőt ír le: akusztikus jellemzőkinyerést, akusztikus modellezést, nyelvi modellezést és keresést, amely a legjobb választ választja ki.

  • Az akusztikus modell megbecsüli az egyes hangrészletek beszédhangjait. Klasszikusan rejtett Markov-modellek kezelték az eltérő beszédsebességet.
  • A kiejtési lexikon a hangokat szavakhoz rendeli.
  • A nyelvi modell a valószínű szósorozatokat pontozza, így a „recognize speech” előnyt kap egy hasonló hangzású értelmetlen sorral szemben.

Modern megközelítés: végponttól végpontig modellek

Az újabb rendszerek többnyire végponttól végpontig működnek: egy neurális háló tanulja meg a hang–szöveg leképezést átírt beszédből. Ugyanez az áttekintés szerint a mélytanulás a korábbi modellezéshez képest több mint 50%-kal csökkentette a szóhibaarányt, és a végponttól végpontig modellek váltak meghatározóvá. Az OpenAI Whisper ismert példa; lásd mi a Whisper AI.

Klasszikus folyamat Végponttól végpontig modell
Felépítés Külön akusztikus modell, kiejtési lexikon és nyelvi modell Egy neurális háló hangtól szövegig
Tanításhoz kell Kézzel készült szólisták és fonémakészletek, több tanítási lépéssel Sok átírt beszéd
Jellemző gyengeség A külön tanított részek hibát és költséget adhatnak Sok átírt beszéd kell; nehezebb csak szöveges adatot hasznosítani
Nyelvi tudás Külön nyelvi modell A hálóban tanult; külső modell hozzáadható

Élő vagy fájlátírás: mi a különbség?

A valós idejű, streaming beszéd–szöveg a beszéd közben mutatja a szöveget; diktáláshoz és élő felirathoz jó. A fájlos, kötegelt átírás kész felvételt dolgoz fel, és utána adja vissza a teljes átiratot; interjúhoz, megbeszéléshez, előadáshoz alkalmas.

A Google Cloud Speech-to-Text három kéréstípust kínál: szinkron legfeljebb 1 perces hangra, aszinkron legfeljebb 480 perces fájlra és streaming a beszéd közbeni előzetes eredményhez. A Microsoft Azure Speech hasonlóan különböztet meg valós idejű, gyors és kötegelt átírást (mindkettő ellenőrizve 2026 novemberében).

Élő beszéd–szöveg Fájlos átírás
Szöveg megjelenése Beszéd közben; az előzetes szavak további hangtól változhatnak A felvétel feldolgozása után
Tipikus felhasználás Diktálás, élő felirat, hangasszisztens Interjú, megbeszélés, előadás, podcast, videófelirat
Amit megtartasz Ami a szövegmezőbe vagy feliratablakba kerül Szerkeszthető és exportálható átirat
Fő kompromisszum Sebesség a véglegesítés helyett Várni kell, de a fájl más beállítással újrafuttatható

Gyakorlati szabály: ha a szöveg csak később kell, készíts tiszta felvételt és írd át a fájlt. Így megmarad az eredeti, és minden sor ellenőrizhető.

Mire használják a beszéd–szöveg technológiát?

Gépelés nélküli írásra, felvételek kereshető jegyzetté alakítására, videó feliratozására és beszéd hozzáférhetővé tételére. A Microsoft ügyfélszolgálati felhasználást, például hívás utáni elemzést is említ.

Felhasználás Szokásos mód
E-mail, üzenet és vázlat írása beszéddel Élő diktálás
Megbeszélés- és interjújegyzet Fájlátírás, gyors jegyzethez élő
Előadás és szeminárium jegyzete Felvétel, majd fájlátírás
Videófelirat Fájlátírás SRT- vagy VTT-exporttal
Hangjegyzet és rögzített hívás Fájlátírás
Akadálymentesség siket, nagyothalló vagy billentyűzetet nem használó személyeknek Élő felirat és diktálás

A tantermi esetet az előadásrögzítő alkalmazások útmutató tárgyalja.

Hol találod a beszéd–szöveg funkciót telefonon vagy számítógépen?

A legtöbb eszköz már tartalmaz hangalapú írást: Windows 11-en Windows-logó + H, Macen vagy iPhone-on Diktálás, Androidon a Google Gboard mikrofonja. Ezek az aktuális mezőbe írnak, nem meglévő felvételt írnak át.

Platform Beépített funkció Indítás (hivatalos súgó szerint) Kell internet? (az oldal szerint)
Windows 11 Hangalapú gépelés Kurzor a szövegmezőbe, majd Windows-logó + H Igen. A Microsoft szerint Azure Speech-alapú online felismerést használ
Mac Diktálás Rendszerbeállítások, Billentyűzet, Diktálás; indítás mikrofonbillentyűvel, gyorsbillentyűvel vagy Edit, Start Dictation menüvel Változó. A billentyűzet beállítása mutatja, hogy a diktálás Macen történik-e
iPhone Diktálás Beállítások, Általános, Billentyűzet, Diktálás engedélyezése; majd mikrofon a billentyűzeten Gyakran nem. Az Apple szerint sok nyelven az iPhone-on fut internet nélkül
Android Gboard hangalapú gépelés Gépelhető alkalmazásban koppints a billentyűzet tetején a mikrofonra A Google oldala nem közli

Néhány részlet a hivatalos oldalakról:

  • Windows: a Microsoft hangalapú gépelési útmutatója az opcionális automatikus írásjelezést is bemutatja.
  • Mac: az Apple Mac Diktálás útmutatója szerint 30 másodperc csend után leáll, a bizonytalan szavakat kékkel aláhúzza, például „flour”, ha „flower” volt a szándék.
  • iPhone: az Apple iPhone Diktálás útmutatója írásjel- és szerkesztési hangparancsokat sorol fel.
  • Android: a Google Gboard súgója szerint a beszéddel írás nem minden nyelven működik, és néhány lépéshez Android 7.0 vagy újabb kell.

A menünevek verziónként változnak, ezért az eszközöd súgóját kövesd.

Mennyire pontos a beszéd–szöveg, és mik a korlátai?

Tiszta hangon, egy beszélővel a mikrofon közelében a modern rendszer a legtöbb szót helyesen felismeri. Zaj, távolság, erős akcentus, szakszókincs és átfedő beszéd rontja. Nincs általános pontossági érték; a felvétel legalább annyira számít, mint a szoftver.

A szokásos mérce a szóhibaarány (WER): a felcserélt, kihagyott és hozzáadott szavak száma osztva az ember által ellenőrzött átirat szószámával. A mennyire pontos a Whisper cikk megmutatja a különbséget tiszta hangoskönyv és távoli mikrofonos megbeszélés között.

Korlát Miért történik? Mi segít?
Akcentus és dialektus Egyes változatokat sokkal ritkábban lát a modell tanításkor Válaszd a regionális változatot; próbálj rövid mintát
Háttérzaj és távolság Zaj és visszhang elmoshatja a beszédjelet Közelebbi mikrofon, csendes szoba vagy headset
Szakszó, név, ritka szó A modell a gyakori szavakat részesíti előnyben Saját szólista (Microsoft: phrase lists), vagy nevek és számok korrektúrája
Több beszélő és átfedés Az átfedő hangokat nehéz szétválasztani; a beszélőjelölés külön diarizációs feladat Egyszerre egy ember beszéljen; ellenőrizd a címkéket
Telefon és gyenge hang A Google szerint a régi telefonhang gyakran 8 000 Hz, ami kevésbé pontos lehet Rögzíts jobb minőségben; a felmintavételezés nem javítja a régi hangot
Hasonló hangzású szavak Az angol „flour” és „flower” ugyanúgy hangzik Küldés előtt olvasd át

Két szokás sok hibát kiszűr: minden nevet, számot és szakkifejezést ellenőrizz a hang alapján, és az élő feliratot tájékozódási segítségnek tekintsd, ne dokumentációnak.

Beszéd–szöveg az akadálymentességben

Két irányban segít. A diktálás beszéddel írást tesz lehetővé; a W3C a fizikai fogyatékossággal, ismétlődő terhelési sérüléssel vagy kognitív és tanulási nehézséggel élőket is említi. A felirat és átirat a siket és nagyothalló embereknek teszi követhetővé a hangot.

A W3C hallássérülésekről szóló oldala szerint a hanghoz átirat vagy felirat szükséges. Arra is figyelmeztet, hogy az automatikus felirat általában túl pontatlan önálló alternatívaként: szakszavakat hagy ki és mondatokat von össze. Közzététel előtt ellenőrizd és javítsd. A subtitles és captions útmutató bemutatja a két formát.

Telefonon is van élő eszköz. Az Apple Live Captions (iPhone 11 vagy újabb) alkalmazások vagy a környezet hangját valós időben írja át; az Apple szerint nagy kockázatú vagy vészhelyzetben nem szabad rá hagyatkozni. Az Android Google Live Transcribe beszédet és hangokat jelenít meg szövegként, és offline nyelv használata nélkül internetet igényel.

Beszéd–szöveg eszköz választása: 5 szempont

A kívánt eredményből indulj ki. Gyors üzenethez elég a beépített diktálás. Hosszú felvételnél ezt az öt pontot vizsgáld.

  1. Élő vagy felvett? A beszéddel írás alkalmazáson belüli diktálást igényel. Meglévő felvételhez fájlt és esetleg linket fogadó eszköz kell.
  2. Nyelv és akcentus. Ellenőrizd az adott módban támogatott nyelvet és regionális változatot; az élő és fájlos mód nem mindig egyezik.
  3. Hová kerül a hang? Egyesek helyben dolgoznak, mások szerverre küldenek. Érzékeny hang feltöltése előtt olvasd az adatvédelmi oldalt; mások rögzítése előtt szerezd be a szükséges hozzájárulásokat és a szervező engedélyét.
  4. Mit kapsz? Keress beszélőcímkét, időbélyeget, szerkesztőt és DOCX, TXT, SRT vagy VTT exportot.
  5. Hosszkorlát és ár. Ellenőrizd a legnagyobb fájlt, feltöltést és az óraszám szerinti árat.

Ha az ár az első, a legjobb ingyenes átíróprogramok összefoglalója összehasonlítja az ingyenes szinteket.

Hová illik a whispertranscribe.ai?

A whispertranscribe.ai böngészős szolgáltatás felvételek szöveggé alakítására, mikrofonos élő átírással. Nem diktálóeszköz: nem ír más alkalmazásokba, és nincs asztali appja. Termékoldalaink szerint:

  • Felvétel feltöltése. Az online beszéd–szöveg MP3, WAV, M4A, MP4, MOV és más hang- és videófájlokat fogad, legfeljebb 5 GB és 10 óra méretben. A fájlátírás 130+ nyelvet és opcionális beszélőfelismerést kínál.
  • Átírás linkből. Illessz YouTube-, Vimeo-, Google Drive- vagy Dropbox-linket a Transcribe from URL oldalra.
  • Böngészős felvétel. Rögzítsd és írd át a hangodat telepítés nélkül, vagy tölts fel hangjegyzetet. Felvétel előtt szükséges hozzájárulás és szervezői engedély kell.
  • Élő átírás. Az élő átíró oldal rögzíti a mikrofont és valós időben mutatja a szöveget. Választhatsz nyelvet és mikrofont, bekapcsolhatod a beszélőfelismerést. Nyelvlistája rövidebb a feltöltésénél.
  • Export. DOCX, PDF, SRT, VTT, TXT és CSV; az AI-feliratgenerátor feliratfájlokat készít. Rögzített hívásokhoz lásd a telefonhívás-átírást.

Tiszta hangon a pontosság akár 99%; zaj, erős akcentus és átfedés rontja. A fizetős csomag $9.99/hó ártól indul éves számlázással (árak), és ingyen, fiók nélkül kezdhetsz. A teljes lista a funkcióoldalon található.

Gyakori kérdések

Ugyanaz a voice to text és a speech to text?

Igen. Mindkét név olyan szoftvert jelent, amely beszédet hall és szerkeszthető szöveget készít. A Google és Microsoft fejlesztői dokumentációjában gyakoribb a „speech to text”, keresésben a „voice to text”. Mindkettő automatikus beszédfelismerésre épül. A „voice recognition” külön kezelendő: a W3C ezt a beszélő, nem a szavak azonosítására használja.

Ugyanaz a beszéd–szöveg és a diktálás?

Nem teljesen. A diktálás a beszéd–szöveg egyik felhasználása: szövegmezőbe beszélsz, és a szavak a kurzornál jelennek meg, mint a Windows hangalapú gépelésében vagy Apple Diktálásban. A beszéd–szöveg az átírást is magában foglalja, amikor teljes interjú-, előadás- vagy megbeszélésfelvétel lesz szerkeszthető. Új szöveg írásához diktálj, meglévő hang írásos rögzítéséhez átíróeszközt használj.

Kell internet a beszéd–szöveghez?

Az eszköztől függ. A Microsoft szerint a Windows hangalapú gépelése internetet igényel az online felismerés miatt. Az Apple szerint az iPhone Diktálás sok nyelven helyben, internet nélkül működik, a Mac billentyűzetbeállítása pedig mutatja, helyi-e a feldolgozás. A Google Live Transcribe offline nyelv nélkül internetet igényel. A felhős, köztük böngészős átírók a hang feltöltéséhez és feldolgozásához kapcsolatot kérnek.

Ingyenes a beszéd–szöveg?

Az alapfunkció a legtöbb eszközön ingyenes. A Windows, macOS, iOS és Android külön díj nélkül kínál hangalapú gépelést vagy diktálást, bár nyelvtámogatásuk eltér. Hosszú felvételeknél jönnek rendszerint a költségek: sok szolgáltatás ingyenes próbát vagy szintet ad, majd hangóránként vagy előfizetéssel számláz. Fizetés előtt ellenőrizd a leghosszabb fájlt, legnagyobb feltöltést, nyelveket és a csomag exportformátumait.

Mennyire pontos a beszéd–szöveg?

Tiszta hangon, egy közeli beszélővel a modern rendszer a legtöbb szót felismeri, de nincs általános pontossági szám. A háttérzaj, visszhang, mikrofontávolság, erős akcentus, szakszó és átfedő beszéd növeli a hibát. A szokásos mérő a szóhibaarány, amely a cserélt, hiányzó és extra szavakat számolja. Mielőtt átiratra hagyatkozol, ellenőrizd a neveket, számokat és szakkifejezéseket a hang alapján.

Meg tudja különböztetni a beszélőket?

Néhány eszköz igen. A ki mikor beszélt jelölése külön lépés, beszélődiarizáció, és nem minden eszköz tartalmazza. A beépített diktálás egy beszélőt feltételez: téged. Az átírók gyakran címkéznek; a Microsoft Azure Speech például legfeljebb 35 beszélős diarizációt dokumentál. A címke különböző hangoknál és átfedés nélkül működik legjobban, ezért hasonló hang vagy átfedés esetén ellenőrizd.


Van szöveggé alakítandó felvételed? Töltsd fel a whispertranscribe.ai oldalára, és kapj átiratot 130+ nyelven DOCX, PDF, SRT és VTT exporttal.

Hivatkozások

Szeretné szöveggé alakítani a felvételeit?

Írja át hang- és videófelvételeit a whispertranscribe.ai segítségével.

Átírás indítása ↗