beszédfelismerés (ASR)

angolul: speech recognition / speech-to-text

alapelterjedt

A beszédfelismerés olyan technológia, amely az elhangzó emberi beszédet automatikusan írott szöveggé alakítja, így a gép „le tudja írni”, amit mondasz.

Érthetően

Képzelj el egy fáradhatatlan gyorsírót, aki mindent legépel, amit hall, legyen az diktálás, telefonhívás, előadás vagy videó. A beszédfelismerés ugyanezt csinálja szoftverként: hang megy be, szöveg jön ki.

Arra jó, hogy a kimondott szó kereshető, szerkeszthető és továbbadható legyen. Ebből lesz a videók automatikus felirata, a megbeszélések leirata és a telefonon bediktált üzenet. Gyakran ez az első lépés akkor is, amikor hanggal beszélgetsz egy AI-asszisztenssel.

Fontos, hogy a beszédfelismerés csak leír, nem értelmez. Azt, hogy a leírt mondat mit jelent és mit kell vele kezdeni, már egy másik rendszer dönti el, például egy nyelvi modell vagy egy AI-agent. Egyes újabb, úgynevezett multimodális modellek a hangot leírás nélkül, közvetlenül is fel tudják dolgozni, de ez már több puszta beszédfelismerésnél.

Hogyan működik

A mikrofon a hangot digitális jellé alakítja, a szoftver pedig rövid, néhány századmásodperces szeletekre bontja.
Minden szeletből kiszámolja, milyen magas és mély rezgések milyen erősen szólnak benne. Ebből egy képszerű lenyomat készül a hangról, amelyen látszik, hogyan változik a hang az időben (ezt spektrogramnak hívják).
Egy neurális háló, amelyet rengeteg órányi, leirattal ellátott hangfelvételen tanítottak, megbecsüli, hogy a hangminták milyen hangoknak, szótagoknak és szavaknak felelnek meg.
A modell a szövegkörnyezetet is figyeli: a hasonlóan hangzó lehetőségek közül azt választja, amelyik az adott mondatban a legvalószínűbb.
A modern rendszerek írásjeleket és nagybetűket is tesznek a szövegbe, gyakran időbélyegeket is, és egyes megoldások azt is jelölik, ki beszélt éppen.

Példa a mindennapokból

Sietsz a buszhoz, nincs kezed gépelni, ezért megnyomod a mikrofon gombot a telefonodon, és bediktálod: „Tíz percet kések, kezdjétek el nélkülem.” A telefon leírja a mondatot, te pedig egy érintéssel elküldöd.

Kit érint

mindenkiA telefonos diktálás, a hangalapú keresés és a videók automatikus felirata mind erre épül, így szinte naponta használod.

munkavállalóAz online megbeszélésekről készülő automatikus leirat és jegyzőkönyv sok kézi jegyzetelést megspórol. → Munka és HR

beteg, orvosAz orvos diktálva rögzítheti a leletet, de egy félrehallott gyógyszernév vagy adag komoly hibát okozhat, ezért a leiratot mindig ellenőrizni kell. → Egészség

szülő, diák, tanárAz előadások leirata és az élő feliratozás segíti a tanulást, és a hallássérültek számára is hozzáférhetővé teszi az órát. → Oktatás és család

Gyakori félreértés

TévhitHa a gép pontosan leírta, amit mondtam, akkor meg is értette.

ValójábanA beszédfelismerés hangból szöveget készít. A szövegkörnyezetet csak arra használja, hogy jól ismerje fel a szavakat, a mondat értelmével nem foglalkozik. A megértés és a válasz egy másik rendszer dolga, és a leirat akkor is tartalmazhat hibát, ha gördülékenyen olvasható.

Korlátok és kockázatok

Zajban, rossz mikrofonnal, egymás szavába vágó beszélőknél, erős tájszólásnál vagy szaknyelvnél érezhetően romlik a pontosság.
A nevek, számok, rövidítések és idegen szavak a leggyakoribb hibaforrások, ezért fontos szöveget (szerződést, leletet, idézetet) mindig olvass át.
Egyes modellek csendes vagy zajos részeknél olyan szöveget is beírhatnak, amely el sem hangzott.
A hangod személyes adat: nézd meg, hogy a felvétel a készülékeden marad-e vagy egy cég szerverére kerül, és mások beszédét csak a tudtukkal rögzítsd.

Hasonló, de nem ugyanaz

beszédszintézis – A beszédszintézis az ellenkező irány: írott szövegből állít elő gépi hangot, míg a beszédfelismerés hangból készít szöveget.
beszélőfelismerés – A beszélőfelismerés azt állapítja meg, ki beszél, a beszédfelismerés pedig azt, hogy mit mond.
természetesnyelv-megértés – A nyelvmegértés a már leírt szöveg jelentését és szándékát fejti meg, a beszédfelismerés csak a leírásig jut el.

Kapcsolódó fogalmak

Tágabb

mesterséges intelligencia, természetesnyelv-feldolgozás, gépi tanulás

Szűkebb

diktálás, automatikus feliratozás, hangvezérlés, beszélőszétválasztás

Rokon

beszédszintézis, hangasszisztens, hangklónozás, multimodális modell, gépi fordítás

Röviden a története

Az első ismert beszédfelismerő a Bell Labs 1952-ben bemutatott Audrey nevű gépe volt, amely egyetlen beszélő kimondott számjegyeit ismerte fel. Az OpenAI 2022-ben adta ki a nyílt forráskódú Whisper modellt, amely sok nyelven, köztük magyarul is jól használható pontosságot tett széles körben elérhetővé.

Hol tart most

2026 végén a beszédfelismerés a telefonok, a videóhívó programok és az AI-asszisztensek alapfunkciója, és magyarul is jól használható. A fejlesztés a valós idejű hangalapú beszélgetés, a hangot közvetlenül feldolgozó multimodális modellek, valamint a készüléken, internet nélkül futó modellek felé halad.

Állapot: 2026. november

A hírekben

2 Agent Age-sztoriban fordul elő; a görbe a hírmagazin heti előfordulása.

Többnyelvű orvosi beszédfelismerés: az Oak és más AI-megoldások2026. okt. 13. · Egészség
A MÜK elnöksége állást foglalt az AI-alapú beszéd-szöveg átalakítás ügyvédi használatáról2026. aug. 10. · Jog

Más nevei

beszédfelismerés · automatikus beszédfelismerés · beszéd-szöveg átalakítás · hangfelismerés · speech recognition · speech-to-text · STT · ASR

Források

A szócikk gépi szerkesztéssel készült és gépi szakmai lektoráláson ment át; a „hírekben” rész az Agent Age sztorijaiból automatikusan frissül.