Spraak-naar-tekst software Amberscript

Autoriteit Consument en Markt

​Spraak-naar-tekst software. De software maakt gebruik van AI om een schriftelijk verslag van verhoren en hoorzittingen te maken. Dit doet het door audio om te zetten in geschreven tekst. ​

Laatst gewijzigd op 29 juli 2025 om 17:19 | Publicatiestandaard 1.0

• Publicatiecategorie: Overige algoritmes
• Impacttoetsen: Veld niet ingevuld.
• Status: In gebruik

Algemene informatie

Thema

Economie

Begindatum

1-2023

Contactgegevens

[e-mail]

Link naar publiekspagina

Bevoegdheden | ACM

Verantwoord gebruik

Doel en impact

Het algoritme wordt gebruikt door een ingehuurde partij om audio (spraak) om te zetten in tekst. Burgers en bedrijven die deelnemen aan een verhoor of hoorzitting komen in aanraking met dit algoritme, doordat de geluidsopname van het verhoor of de hoorzitting waar zij aan deelnemen door het algoritme omgezet wordt naar tekst. ​De gegenereerde tekst (het verslag) wordt altijd aan partijen voorgelegd voor akkoord. 

​De invloed op regulering, detectie en toezicht is minimaal omdat buiten het omzetten van geluid naar tekst, het algoritme geen acties uitvoert die van invloed zijn op burgers en bedrijven. ​

Afwegingen

Het voordeel van dit algoritme is dat verhoren en hoorzittingen niet meer handmatig uitgetikt hoeven te worden. Dit is redelijk gerechtvaardigd, omdat dit ervoor zorgt dat opnames van verhoren en hoorzittingen sneller en goedkoper worden omgezet in tekst. ​

Menselijke tussenkomst

Partijen wiens stemopname is gebruikt, worden gevraagd of men akkoord is met de uitwerking. Een verslag van een verhoor of hoorzitting wordt dus altijd nog voorgelegd aan partijen. 

Risicobeheer

Een verslag wordt voorgelegd aan partijen voor akkoord

Werking

Gegevens

Audio-opnamen van verhoren en hoorzittingen​​.​

Technische werking

Spraak-naar-tekst (STT) software zet gesproken taal automatisch om in geschreven tekst. Hiervoor wordt spraakherkenningstechnologie gebruikt, die akoestische modellen en taalmodellen combineert.

Het akoestische model analyseert het audiosignaal en zet het om in kenmerk representaties - dit zijn numerieke samenvattingen van het geluid, zoals toonhoogte, luidheid en frequentie patronen, die in korte tijdsintervallen (meestal milliseconden) worden geëxtraheerd. Met deze kenmerken kan het systeem efficiënter patronen in spraak herkennen dan met alleen ruwe audio. In traditionele systemen worden deze kenmerken gekoppeld aan fonemen, de kleinste geluid eenheden in een taal.

Het taalmodel interpreteert vervolgens de opeenvolging van klanken door de meest waarschijnlijke woordvolgorde te voorspellen op basis van grammatica en context. Het helpt het systeem om de juiste woorden te kiezen, vooral wanneer klanken onduidelijk, gelijksoortig of dubbelzinnig zijn (zoals “to” vs. ‘two’ vs. “too”).

Moderne spraak-naar-tekst systemen maken vaak gebruik van end-to-end deep learning modellen, die het hele proces - van ruwe audio tot uiteindelijke tekst - afhandelen met behulp van een enkel neuraal netwerk. Deze modellen leren automatisch zowel akoestische als linguïstische patronen en bereiken doorgaans een hogere nauwkeurigheid.​

Leverancier

Amberscript Global B.V.