A conversão de voz em texto (speech-to-text) é o processo de transformar linguagem falada em texto escrito com tecnologia de reconhecimento de voz. Permite transcrever conteúdo áudio, como conversas ou discursos, para texto que pode ser analisado, guardado ou usado noutros processos.
Esta tecnologia é importante porque melhora a acessibilidade, aumenta a produtividade e simplifica a gestão de conteúdos. É muito usada em serviços de transcrição, assistentes de voz e legendagem em tempo real, e permite aos utilizadores interagir com dispositivos e conteúdos com mais facilidade, sem terem de escrever à mão.