Firma tworzy aplikację mobilną dla użytkowników niedowidzących, która musi nasłuchiwać mowy użytkownika i odpowiadać głosem. Które rozwiązanie spełni te wymagania dotyczące dostępności?

Głębokie sieci neuronowe są podstawą nowoczesnych systemów rozpoznawania mowy (ASR), które są niezbędne do przekształcania mowy użytkownika na tekst. Następnie ten tekst może być przetwarzany i generowana jest odpowiedź głosowa, co jest kluczowe dla aplikacji dla osób niedowidzących. Budowanie modeli ML do wyszukiwania wzorców w danych numerycznych nie jest bezpośrednio związane z rozpoznawaniem mowy. Użycie generatywnej AI do podsumowywania generuje tekst, ale nie przetwarza mowy wejściowej. Budowanie niestandardowych modeli do klasyfikacji i rozpoznawania obrazów dotyczy danych wizualnych, a nie audio.