# Rozpoznawanie mowy / ASR

EN: **Automatic speech recognition** · id `asr`

Path: [AI Atlas](https://aiatlasgraph.com/llms.txt) › [Język, obraz, audio](https://aiatlasgraph.com/t/modalities.md) › [Mowa i audio](https://aiatlasgraph.com/t/audio.md) › Rozpoznawanie mowy / ASR

## Description

- PL: Zamiana sygnału mowy na tekst.
- EN: Turning speech into text.

## In one sentence

- PL: To zamienianie wypowiedzianych słów na zapisany tekst.
- EN: This turns spoken words into written text.

## Problem it solves

- PL: Przepisywanie nagrania zajmuje czas, a czasem potrzebujesz tekstu już podczas rozmowy.
- EN: Transcribing a recording takes time, and sometimes you need text while the conversation is still happening.

## What it does

- PL: Model porównuje wzory dźwięku z poznanymi wypowiedziami i przewiduje słowa pasujące do nagrania oraz jego kontekstu.
- EN: A model compares sound patterns with familiar speech and predicts words that fit the recording and its context.

## Everyday example

- PL: Dyktujesz wiadomość podczas spaceru, a telefon wpisuje jej treść.
- EN: You dictate a message while walking, and your phone types it out.

## This concerns you if you…

- PL: przepisujesz nagrania rozmów
- PL: chcesz dyktować zamiast pisać
- EN: transcribe conversation recordings
- EN: want to dictate instead of typing

## Keywords

CTC · word error rate · Whisper · wav2vec 2.0 · RNN-T · beam search

## How it works

- PL: Enkoder wydobywa cechy czasowe sygnału mowy, a model przewiduje jednostki tekstu. Cel CTC sumuje dopuszczalne wyrównania, natomiast dekoder autoregresyjny przewiduje kolejne tokeny z kontekstu nagrania i wcześniejszego tekstu.
- EN: An encoder extracts temporal speech features, and the model predicts text units. CTC sums permitted alignments, while autoregressive decoders predict subsequent tokens from recordings and prior text.

## Limits

- PL: Hałas, akcenty i nieznane nazwy zwiększają błędy. Model może dopowiadać prawdopodobny tekst w słabym sygnale; transkrypcja nie zachowuje automatycznie prozodii ani tożsamości mówcy.
- EN: Noise, accents and unfamiliar names increase errors. Models may insert plausible text into weak signals; transcription does not automatically preserve prosody or speaker identity.

## Key terms

- PL: **CTC**: Cel uczenia sekwencji bez wymagania dokładnego czasowego wyrównania etykiet.
- PL: **WER**: Liczba podstawień, usunięć i wstawień względem długości transkrypcji referencyjnej.
- EN: **CTC**: A sequence-learning objective not requiring exact time-aligned labels.
- EN: **WER**: Substitution, deletion and insertion counts relative to reference-transcript length.

## Know first

- [Transformery i attention (Transformers and attention)](https://aiatlasgraph.com/t/transformers.md)
- [Tokenizacja tekstu (BPE, WordPiece, SentencePiece) (Text tokenisation (BPE, WordPiece, SentencePiece))](https://aiatlasgraph.com/t/tokenization.md)

## Examples

- PL: Transkrypcja
- EN: Transcription

## Related topics

Untyped, symmetric "see also" links.

- [Automatyczna ocena wymowy (Automatic pronunciation assessment (CAPT))](https://aiatlasgraph.com/t/pronunciationassess.md)
- [Modele audio–język (rozumienie mowy, dźwięków i muzyki) (Audio-language models)](https://aiatlasgraph.com/t/audiolanguage.md)
- [Potok STT → agent tekstowy → TTS (Cascaded STT–text agent–TTS pipeline)](https://aiatlasgraph.com/t/cascadedpipeline.md)
- [Rozumienie wypowiedzi w dialogu (Understanding spoken input in voice agents)](https://aiatlasgraph.com/t/voiceaudio.md)

## Sources

- [Hugging Face · Audio Course](<https://huggingface.co/learn/audio-course/en/chapter0/introduction>) `audio` · reference: Dane audio, klasyfikacja, ASR, TTS i modele mowy.

---

AI Atlas revision 122 (2026-10-30) · HTML: https://aiatlasgraph.com/t/asr · index: https://aiatlasgraph.com/llms.txt · everything: https://aiatlasgraph.com/llms-full.txt · updated 2026-10-30