Tạo phụ đề âm thanh là công nghệ sử dụng AI để chuyển đổi các âm thanh và hiệu ứng âm thanh trong môi trường không phải giọng nói, chẳng hạn như tiếng bước chân, tiếng chó sủa và tiếng vỗ tay, thành văn bản giải thích bằng ngôn ngữ tự nhiên.
Không giống như nhận dạng giọng nói (ASR), vốn chuyển đổi lời nói thành văn bản, tạo chú thích âm thanh là công nghệ chuyển đổi các sự kiện âm thanh phi ngôn ngữ như tiếng bước chân, âm thanh chói tai và tiếng ồn môi trường thành văn bản giải thích bằng ngôn ngữ tự nhiên và một mô hình dựa trên phương pháp học tập tương phản kết nối âm thanh và biểu thức ngôn ngữ được cho là được áp dụng rộng rãi như một tiêu chuẩn ngành. Nó đang bắt đầu được sử dụng cho nhiều mục đích, bao gồm tạo phụ đề tự động cho video, hỗ trợ khả năng truy cập, giám sát và phát hiện âm thanh bất thường cũng như xử lý trước để chỉnh sửa podcast. Tuy nhiên, trong hoạt động thực tế kể từ năm 2026, vẫn còn một số vấn đề như văn bản giải thích trở nên mơ hồ trong các tình huống có nhiều âm thanh chồng lên nhau và độ chính xác dao động do sự khác biệt trong phương ngữ hoặc tiếng ồn môi trường và người ta cho rằng thông lệ trong lĩnh vực này là xem xét đầu ra theo cách thủ công mà không xuất bản trực tiếp. Chi phí sử dụng API dựa trên phí trả theo mức sử dụng dựa trên thời gian xử lý và độ dài âm thanh và có xu hướng đắt hơn một chút so với các dịch vụ chép lại âm thanh hiện có. Người ta nói rằng quyết định về việc nên giải quyết các chức năng bổ sung của công cụ chỉnh sửa video hay ký hợp đồng riêng cho một API chuyên dụng được đưa ra dựa trên độ chính xác và khả năng xử lý cần thiết.