Die automatische Spracherkennung (ASR) wurde erstmals 1952 von den Bell Laboratories mit der Entwicklung des „Audrey“-Systems vorgeschlagen, und die grundlegenden Ergebnisse wurden in einem Beitrag in den Proceedings of the Acoustical Society of America veröffentlicht. Automatische Erkennung gesprochener Ziffern.

Im Jahr 1975 veröffentlichte James K. Baker, ein Wissenschaftler an der Carnegie Mellon University (CMU), seine Doktorarbeit. Stochastische Modellierung als Mittel zur automatischen SpracherkennungEs war das erste Mal, dass ein Hidden-Markov-Modell (HMM) eingeführt wurde, wodurch die Grundlage für ein probabilistisches statistisches Paradigma für die kontinuierliche Spracherkennung mit großem Vokabular geschaffen wurde.

Im November 2012 veröffentlichten Forscher der Universität Toronto, von Microsoft, Google und IBM gemeinsam eine wegweisende Arbeit. Tiefe neuronale Netze für die akustische Modellierung in der SpracherkennungMit diesem Artikel wurde das moderne ASR-Technologieparadigma auf Basis tiefer neuronaler Netze (DNNs) formal etabliert und im IEEE Signal Processing Magazine veröffentlicht.

Diese Technologie ist ein Rahmenwerk zur Umwandlung gesprochener Sprache in geschriebenen Text. Sie zielt darauf ab, die „Interaktionslücke“ zu schließen, die durch die Unfähigkeit von Maschinen entsteht, akustische Signale in natürlichen menschlichen Gesprächen zu interpretieren. Das System verarbeitet Audiosignale mit menschlicher Sprache und nutzt dabei umfassend akustische Modelle, Sprachmodelle und tiefe neuronale Netze, um Phoneme, Wörter und Sätze im Audioeingang präzise zu identifizieren und anschließend in ein standardisiertes Textformat zu transkribieren. Forschungsergebnisse zeigen, dass die Weiterentwicklung von traditionellen probabilistischen Hidden-Markov-Modellen (HMMs) hin zu modernen tiefen neuronalen Netzen (DNN-HMMs) und End-to-End-Architekturen die Leistungsengpässe früherer Template-Matching-Verfahren und Gaußscher Mischungsmodelle (GMMs) effektiv überwindet und die Fähigkeit des Systems, komplexe Akzente und Umgebungsgeräusche zu interpretieren, deutlich verbessert. In Anwendungsbereichen wie Sprachassistenten, Transkriptionsdiensten, sprachgesteuerten Systemen und Assistenzsystemen für Hörgeschädigte erreichen Maschinen eine hochpräzise und effiziente Spracherkennung.