语音转换文字（Speech-to-Text，STT）是一种通过技术将人类语音实时或离线转换为可编辑文本的技术。其核心原理是利用声学模型识别语音中的音素，再通过语言模型结合上下文将其转化为准确文字。该技术广泛应用于会议记录、实时字幕、智能助手、语音搜索等场景，大幅提升了信息处理效率。随着深度学习的发展，现代语音识别系统已具备高准确率和多语种支持能力，并能适应不同口音和噪音环境。关键技术包括端到端建模、自监督预训练等，未来将进一步融入AI助手和物联网生态，实现更自然的交互体验。