STT и TTS (Распознавание и синтез речи)

Обновлено: 6 сентября 2026 г. • Редакция RuTut

Технологии искусственного интеллекта для преобразования звуковой речи в печатный текст (Speech-to-Text) и синтеза реалистичной речи из текста (Text-to-Speech).

Что такое STT и TTS?

Речевые технологии машинного обучения состоят из двух противоположных направлений:

1. STT (Speech-to-Text / Распознавание речи):

  • Алгоритмы преобразуют аудиозапись человеческого голоса в структурированный текст.
  • Применение: Автоматическая расшифровка звонков в ВАТС, создание субтитров к вебинарам, голосовой ввод заметок, протоколирование совещаний.

2. TTS (Text-to-Speech / Синтез речи):

  • Нейросеть генерирует реалистичный человеческий голос с правильными интонациями и ударениями на основе написанного текста.
  • Применение: Голосовые роботы для подтверждения доставки, автоматический обзвон с напоминанием о записи, озвучка аудиокниг и обучающих курсов.

Ведущие российские движки: Yandex SpeechKit и SaluteSpeech от Сбера.

Другие термины глоссария