Spraak-AI

Spraak-AI is AI die met de menselijke stem werkt. Ze zet spraak om in tekst (spraakherkenning) en tekst in spraak (spraaksynthese), en sommige nieuwere modellen voeren direct een gesproken gesprek. Een bedrijf gebruikt het om vergaderingen en klantgesprekken uit te schrijven, video's te ondertitelen of de telefoon te laten beantwoorden door een spraakassistent.

Hoe werkt spraakherkenning?

Spraakherkenning, ook ASR (automatic speech recognition) genoemd, zet audio om in tekst. Whisper van OpenAI, in september 2022 uitgebracht met open code en gewichten, laat zien hoe. Whisper leerde van 680.000 uur audio met transcripties van het web (Radford e.a., 2022). Het werkt met stukken van 30 seconden en zet elk stuk om in een mel-spectrogram, een plaatje van welke toonhoogtes wanneer klinken. Een transformer schrijft daarna de tekst. Hetzelfde model kan de taal herkennen en spraak naar het Engels vertalen. Volgens OpenAI benadert Whisper bij Engelse spraak het niveau van menselijke transcribenten; de model card meldt sterke resultaten in ongeveer tien talen en een lagere nauwkeurigheid in talen met minder trainingsdata. Clouddiensten zoals Google Cloud Speech-to-Text schrijven ook live audio uit terwijl die binnenkomt.

Hoe werkt spraaksynthese?

Tekst-naar-spraak (text-to-speech, TTS) werkte lang in twee stappen. In Tacotron 2 (2017) zet één netwerk tekst om in een mel-spectrogram en maakt een WaveNet-vocoder daar geluid van. Luisteraars gaven het gemiddeld een 4,53 op een schaal tot 5, tegen 4,58 voor professionele opnamen (Shen e.a.). Nieuwere systemen kopiëren een stem uit een kort fragment: VALL-E (2023) imiteert een onbekende spreker op basis van een opname van 3 seconden (Wang e.a.).

Kan AI een gesproken gesprek voeren?

De eerste spraakmodus van ChatGPT koppelde drie modellen: één zette spraak om in tekst, GPT-3.5 of GPT-4 schreef een antwoord en een derde las dat voor. Een antwoord duurde gemiddeld 2,8 tot 5,4 seconden, en toon, achtergrondgeluid en het verschil tussen sprekers gingen verloren (OpenAI, mei 2024). GPT-4o, uitgebracht in mei 2024, is één model dat tegelijk op tekst, beeld en audio is getraind. Het reageert gemiddeld binnen 320 milliseconden op gesproken invoer, vergelijkbaar met de reactietijd van mensen in een gesprek (GPT-4o System Card).

Waar gaat het mis?

• Transcripties kunnen tekst bevatten die niemand heeft gezegd. In ongeveer 1% van de transcripties van Whisper vonden Koenecke e.a. hele verzonnen zinnen of zinsdelen, en 38% daarvan bevatte schadelijke inhoud, zoals geweld of onjuiste verbanden. Dat gebeurde vaker als sprekers lange pauzes lieten vallen (Careless Whisper, 2024).
• De nauwkeurigheid daalt bij accenten, dialecten en talen met weinig trainingsdata, volgens de model card van Whisper.
• Met een gekloonde stem kun je je voor iemand anders uitgeven. OpenAI laat GPT-4o alleen spreken met vooraf gekozen stemmen die met stemacteurs zijn gemaakt, en een aparte classifier controleert of de uitvoer daarbij blijft.

Voorbeeld

Stel: een accountantskantoor wil notulen van zijn klantgesprekken. In september 2026 raadt de speech-to-text-handleiding van OpenAI gpt-transcribe aan voor opnamen, voor $0,0045 per minuut (prijzen): $0,27 voor een vergadering van een uur. Om vast te leggen wie wat zei, is gpt-4o-transcribe-diarize nodig, voor $0,006 per minuut, dus $0,36. Bestanden mogen hoogstens 25 MB zijn, dus een lange opname moet je soms opknippen. Een taalmodel maakt daarna notulen van het transcript, en iemand controleert ze voordat ze worden verstuurd. Wil het kantoor de opnamen binnen de deur houden, dan kan het de open gewichten van Whisper op een eigen computer draaien.