Conceito

Speech Recognition ("Reconhecimento de fala"), são metodologias e tecnologias que permite o reconhecimento e a tradução da linguagem falada em texto por computadores, Smartphone,entre outros. Também é um reconhecimento de padrões, tem como funcionalidade em reconhecer as palavras faladas pelo usuário (interlocutor) ou áudio externo(musica) . Para que a máquina ou dispositivo reconheça a fala, é necessário um conversor analógico-digital que capta as vibrações criadas pela a voz e converte essas ondas em dados digitais. Em seguida, o programa compara os sons captados com fonemas conhecidos e presentes em seu banco de dados. Depois de converter e reconhecer a entrada de áudio, o sistema analisa o resultado e o compara com palavras e frases gravadas previamente, com isso, ele identifica o que seu usuário disse e converte para a funcionalidade desejada.

STT

É o processo de ditar um texto usando o Speech Recognition, que tem como entrada de dados o áudio e saída de dados o texto.
Para que o sistema reconheça a voz, é necessário que haja a integração de vozes da língua que o usuário deseja já incorporado no sistema.

O TTS é o oposto do STT, tem como entrada de dados letra, palavras e textos, e saída de dados em áudio.
O TTS é um sistema texto-voz, converte o que foi digitado para uma voz sintetizada.Um sistema com armazenamento em fonemas podem não transmitir com clareza o que foi digitado, já um armazenamento de palavras e frases tem uma saída de dados de melhor qualidade. Para criar voz sintetizada, pode conectar frases e palavras já gravadas, em um armazenamento de banco de dados.
Para deficientes visuais o TTS habilita a leitura das informações de exibição do computador, para que cada informação recebida pela maquina seja transmitida uma mensagem por voz.

Os sistemas que utiliza o reconhecimento de voz, o usuário consegue optar pelo setor da empresa ou do call center que melhor pode atendê-lo sem falar com uma pessoa física.
Os sistemas que utilizam autenticação por Biometria da Voz, tem a vantagem da segurança, já que a voz de cada pessoa tem características únicas.
Palavras-chaves já registradas no sistema para ter acesso mais rápido na funcionalidade desejada.
- Por exemplo, o usuário consegue fazer uma ligação, fazer uma pesquisar, buscar um endereço, entre outros, pelo comando de voz, ao invés de digitar.
Maior acessibilidade para pessoas com deficiência visuais.