Точность распознавания речи выше 99% даже в шумных записях достигается за счёт двухступенчатой обработки: сначала одна нейросеть очищает аудиодорожку от посторонних звуков, а затем вторая распознаёт уже очищенную речь. Для русского и остальных языков используются разные модели, потому что у каждого языка своя фонетика, ударения и терминология. Микрофон записывает звук как колебания воздуха, а нейросеть видит не «слова», а спектрограмму — картинку из частот и громкости, которая меняется каждые несколько миллисекунд...