定义
自动语音识别（ASR，Automatic Speech Recognition）是把语音音频自动转写成文本的技术，也常称语音转文字（Speech-to-Text，STT）。
工作方式
早期系统把声学模型与语言模型分开建模，现代端到端模型则直接把音频特征映射为文字序列，对口语、口音和噪声的适应性更强。常用评估指标是词错率（WER）。
使用场景
会议与访谈转写、视频字幕、语音输入法、语音助手和客服质检等场景都以 ASR 为入口。
易混概念
与文本转语音（TTS）方向相反：ASR 是“语音进、文本出”，TTS 是“文本进、语音出”，两者常在语音对话系统里配对出现。