Voice-to-Text یا Speech-to-Text فرایند تبدیل سیگنال صوتی گفتار به متن نوشتاری است. مدل باید گفتار را از نویز، لهجه، مکث و تفاوت تلفظ‌ها تشخیص دهد.
کیفیت به زبان، لهجه، کیفیت ضبط و واژگان تخصصی وابسته است. برای متن‌های حساس باید نام‌ها، اعداد و اصطلاحات فنی بازبینی شوند.
نکته‌ای که در پروژه‌ها اهمیت دارد
در تبدیل صوت جلسه به متن، نام اشخاص و اعداد ممکن است اشتباه تشخیص داده شوند. برای گزارش رسمی، بازبینی انسانی ضروری است.