Talegenkendelse og modeller
Sprogmodel
En model, der forudsiger sandsynlige ordrækker, og som bruges både i transskription og til at lave resuméer.
En sprogmodel er en model, der er trænet på store mængder tekst, og som forudsiger, hvilke ord der sandsynligvis følger efter hinanden.
I transskription spiller den to roller.
1. Den afgør tvivlstilfælde
Lyden alene er ofte flertydig. »Vi tager det på forhandlingsmødet« og »vi tager det på forhandlingen, mødet« lyder ens. Modellen vælger den ordrække, der er mest sandsynlig i sammenhængen.
Det er også forklaringen på et mønster, mange genkender: systemet rammer godt på almindelige sætninger og forkert på egennavne. Almindelige ordrækker har modellen set millioner af gange. Dit efternavn har den aldrig set.
2. Den laver resuméet
Et transskript fra et timelangt møde er omkring 8000 ord. At gøre det om til et referat med beslutninger og opgaver er en opgave for en sprogmodel, ikke for talegenkendelsen. Det er to helt forskellige led i kæden, selv om de ofte sælges som ét produkt.
Store sprogmodeller
LLM, large language model, bruges om de store modeller af typen GPT og Claude. De er sprogmodeller i samme forstand, bare meget større og mere almene. I transskriptionssammenhæng bruges de næsten altid i led 2, til resumé og strukturering, ikke til selve talegenkendelsen.