Rozpoznawanie mowy (ang. speech-to-text) zamienia nagranie w tekst. Dzięki uczeniu głębokiemu działa dziś dobrze także po polsku, nawet przy szumie w tle.
Zastosowania: dyktowanie notatek, automatyczne napisy na YouTube, transkrypcje spotkań, asystenci głosowi. Odwrotny proces — zamiana tekstu na głos — to synteza mowy (text-to-speech).