Methods and systems for modification of transcribed text

Abstract

Methods and systems modify transcribed text generated from a voice input. A voice input is received and converted into transcribed text using an automatic speech recognition (ASR) model. A portion of the transcribed text is modified based on a transformation rule, which may be predefined or dynamically determined. The portion to be modified is selected based on a predefined length or a linguistic or contextual factor. A user input, such as a gesture, voice command, or button press, may trigger the modification or adjust the transformation rule during dictation. In some implementations, a natural language processing (NLP) model performs the modification using the transformation rule as a prompt. The system enables efficient, user-guided rephrasing, correction, or restructuring of voice-transcribed content.

Description

METHODS AND SYSTEMS FOR MODIFICATION OF TRANSCRIBED TEXTTECHNICAL FIELD

[0001] The present disclosure relates to methods and systems for processing a voice input, and in particular to methods and systems for modifying transcribed text based on a user input and transformation rules.BACKGROUND

[0002] Dictation, as a form of voice input, has served as a practical alternative to manual writing or typing, particularly in domains requiring fast and uninterrupted idea capture. Before the digital era, dictation was commonly employed in legal, medical, and administrative contexts, where professionals would record their speech for subsequent transcription by a human typist. The goal was to enhance productivity by allowing users to focus on content creation rather than manual entry.

[0003] With the advent of digital technologies, automatic speech recognition (ASR) systems emerged as a practical solution for converting spoken language into written text without the need for manual transcription. Early implementations faced limitations in reliability and usability, often requiring users to speak in a controlled manner to achieve acceptable results. Over time, the accuracy and responsiveness of ASR systems have improved, enabling them to handle natural, conversational speech. The primary objective of ASR is to generate transcribed text that faithfully and accurately corresponds to the user’s spoken input.

[0004] Building on these developments, the widespread adoption of mobile computing devices has further increased the utility of voice input in everyday contexts. As users engage with smartphones, tablets, and other portable devices in hands-free or mobile scenarios, dictation offers a practical and efficient means of composing messages, generating content, and interacting with applications. In addition to its convenience, voice input provides important accessibility benefits for users with physical limitations or reduced typing ability. Moreover, in settings where screen size or input modality is constrained, voice input serves as a natural and efficient alternative to manual text entry.

[0005] While voice input continues to gain traction across a wide range of applications, the text generated by speech recognition systems frequently requires post-editing to correct recognition errors, improve grammatical accuracy, or enhance overall readability. In practice, such post-editing remains a manual and time-consuming task, particularly in longer-form dictation or content creation scenarios. Accordingly, there is a need for improved transcription generation that further enhances productivity.SUMMARY

[0006] According to a first aspect, there is provided a method for modification of a transcribed text, the method comprising: receiving a voice input; converting the voice input into the transcribed text using an automatic speech recognition (ASR) model; displaying the transcribed text on a user interface of a computing device; receiving a user input; and in response to detecting that the user input corresponds to a predetermined input event associated with modifying the transcribed text, modifying a portion of the transcribed text, wherein: the portion of the transcribed text to be modified is determined based on a predefined length or dynamically based on a linguistic or contextual factor; and the modification is performed based on a transformation rule, wherein the transformation rule is predefined or dynamically determined.

[0007] In some implementations, the modification of the transcribed text may be performed using a natural language processing (NLP) model, and the transformation rule may be provided to the NLP model as part of a prompt to guide the modification.

[0008] In some implementations, the modification may include replacing the portion of the transcribed text with an alternative phrasing generated by the NLP model.

[0009] In some implementations, the prompt may comprise: a representation of the portion of the transcribed text to be modified; the transformation rule in natural language specifying one or more editing objectives; and an instruction requesting the NLP model to generate a revised version of the portion of the transcribed text in accordance with the transformation rule.

[0010] In some implementations, the user input may be a gesture input detected via a touchscreen, and the predetermined input event may comprise a predefined gesture pattern.

[0011] In some implementations, the touchscreen may be provided on the computing device as the user interface.

[0012] In some implementations, the user input may be a voice command, and the predetermined input event may comprise a predefined voice command pattern.

[0013] In some implementations, the user input may be a keypress or button selection detected via a physical or virtual interface, and the predetermined input event may comprise a predefined keypress or button activation pattern.

[0014] In some implementations, the linguistic or contextual factor may comprise at least one of: a detected pause or speech cadence pattern in the voice input; a grammatical boundary; a semantic attribute of the transcribed text; a contextual cue; or a user-defined preference related to modification length.

[0015] In some implementations, the method may further comprise dynamically adjusting the portion of transcribed text to be modified based on a user feedback provided as part of the user input.

[0016] In some implementations, the method may further comprise capturing the voice input using an input device configured to receive audio signals.

[0017] In some implementations, the method may further comprise: modifying the transcribed text using a transformation rule, wherein the transformation rule is predefined or dynamically determined; providing the modified text while continuing to receive the voice input; and adjusting the modification of the transcribed text in response to receiving a user input signal during the dictation that changes the transformation rule

[0018] In some implementations, the method may further comprise pre-determining the transformation rule using at least one of a user-specified text style preference, a document type, or an intended audience.

[0019] In some implementations, the method may further comprise dynamically determining the transformation rule using at least one of speech cadence, pause, detected keyword, or user correction.

[0020] In some implementations, the modification of the transcribed text may include at least one of: grammar correction; sentence restructuring; summarization; tone adjustment; or contextual adaptation based on detected audience or subject matter.

[0021] In some implementations, the method may further comprise designating a non-modifiable portion of the transcribed text to prevent the modification from rephrasing the designated non-modifiable portion.

[0022] In some implementations, the transformation rule may comprise a plurality of predefined transformation rules, and the method may further comprise: displaying the modified text on a user interface of a computing device, wherein a touchscreen is provided on the computing device as the user interface; displaying a plurality of rule icons on the user interface, each corresponding to one of the plurality of predefined transformation rules; and in response to receiving a user selection of one of the plurality of rule icons via the user interface, applying a selected one of the plurality of predefined transformation rules to adjust the modification.

[0023] In some implementations, the method may further comprise: displaying a disabling icon on a user interface of a computing device, wherein a touchscreen is provided on the computing device as the user interface; and in response to receiving a user activation of the disabling icon via the user interface, disabling the modification such that the transcribed text converted by the ASR model is provided.

[0024] In some implementations, the method may further comprise determining a length of the modification of the transcribed text based on at least one of the following parameters: a temporal characteristic of the voice input; a structural characteristic of the transcribed text; a contextual characteristic of the transcribed text; a detected speech pattern; or a linguistic characteristic ensuring coherence and readability of the modified text.

[0025] In some implementations, the method may further comprise: dynamically adjusting a window defining the length of the modification of the transcribed text based on at least one of: a detected pause or pacing pattern in the voice input, a semantic or grammatical boundary in the transcribed text, a change in topic or user intent, or a length or duration of uninterrupted speech; and modifying the transcribed text within the dynamically adjusted window using the transformation rule.

[0026] In some implementations, the method may comprise: in response to determining that the length of the modification of the transcribed text exceeds a predetermined threshold: adjusting the length of a first modification to a first length and selecting a first transformation rule; modifying a first portion of the transcribed text within the first length using the first transformation rule; adjusting the length of a second modification to a second length that is longer than the first length and selecting a second transformation rule that is different from the first transformation rule; and modifying a second portion of the transcribed text within the second length using the second transformation rule.

[0027] According to a second aspect, there is provided a method for rephrasing of a voice input, the method comprising: receiving the voice input; converting the voice input into transcribed text using an automatic speech recognition (ASR) model; modifying the transcribed text using a transformation rule, wherein the transformation rule is predefined or dynamically determined; providing the modified text while continuing to receive the voice input; and adjusting the modification of the transcribed text in response to receiving a user input signal during the dictation that changes the transformation rule.

[0028] In some implementations, the modification of the transcribed text may be performed using a natural language processing (NLP) model, and the transformation rule may be provided to the NLP model as part of a prompt to guide the modification.

[0029] In some implementations, the modification may include replacing at least a portion of the transcribed text with an alternative phrasing generated by the NLP model.

[0030] In some implementations, the prompt may comprise: a representation of the portion of the transcribed text to be modified; the transformation rule in natural language specifying one or more editing objectives; and an instruction requesting the NLP model to generate a revised version of the portion of the transcribed text in accordance with the transformation rule.

[0031] In some implementations, the method may further comprise pre-determining the transformation rule using at least one of a user-specified text style preference, a document type, or an intended audience.

[0032] In some implementations, the method may further comprise dynamically determining the transformation rule using at least one of speech cadence, pause, detected keyword, or user correction.

[0033] In some implementations, the modification of the transcribed text may include at least one of: grammar correction; sentence restructuring; summarization; tone adjustment; or contextual adaptation based on detected audience or subject matter.

[0034] In some implementations, the method may further comprise designating a non-modifiable portion of the transcribed text to prevent the modification from rephrasing the designated non-modifiable portion.

[0035] In some implementations, the transformation rule may comprise a plurality of predefined transformation rules, and the method may further comprise: displaying the modified text on a user interface of a computing device, wherein a touchscreen is provided on the computing device as the user interface; displaying a plurality of rule icons on the user interface, each corresponding to one of the plurality of predefined transformation rules; and in response to receiving a user selection of one of the plurality of rule icons via the user interface, applying a selected one of the plurality of predefined transformation rules to adjust the modification.

[0036] In some implementations, the method may further comprise: displaying a disabling icon on a user interface of a computing device, wherein a touchscreen is provided on the computing device as the user interface; and in response to receiving a user activation of the disabling icon via the user interface, disabling the modification such that the transcribed text converted by the ASR model is provided.

[0037] In some implementations, the method may further comprise determining a length of the modification of the transcribed text based on at least one of the following parameters: a temporal characteristic of the voice input; a structural characteristic of the transcribed text; a contextual characteristic of the transcribed text; a detected speech pattern; or a linguistic characteristic ensuring coherence and readability of the modified text.

[0038] In some implementations, the method may further comprise: dynamically adjusting a window defining the length of the modification of the transcribed text based on at least one of: a detected pause or pacing pattern in the voice input, a semantic or grammatical boundary in the transcribed text, a change in topic or user intent, or a length or duration of uninterrupted speech; and modifying the transcribed text within the dynamically adjusted window using the transformation rule.

[0039] In some implementations, the method may comprise: in response to determining that the length of the modification of the transcribed text exceeds a predetermined threshold: adjusting the length of a first modification to a first length and selecting a first transformation rule; modifying a first portion of the transcribed text within the first length using the first transformation rule; adjusting the length of a second modification to a second length that is longer than the first length and selecting a second transformation rule that is different from the first transformation rule; and modifying a second portion of the transcribed text within the second length using the second transformation rule.

[0040] In some implementations, the method may further comprise capturing the voice input using an input device configured to receive audio signals.

[0041] According to a third aspect, there is provided a system comprising: at least one processor; and at least one memory communicatively coupled to the at least one processor, the at least one memory having stored thereon computer program code that is executable by the at least one processor and that, when executed by the at least one processor, causes the at least one processor to perform any one of the methods described herein.

[0042] According to a fourth aspect, there is provided a non-transitory computer readable medium have stored thereon computer program code that is executable by at least one processor and that, when executed by the at least one processor, causes the at least one processor to perform any one of the methods described herein.

[0043] With the embodiments described herein, users may benefit from seamless real-time voice input and dynamic text refinement, enabling more efficient and intuitive dictation. The integration of ASR with gesture-based controls and context-aware editing reduces the need for manual corrections, thereby supporting clearer, more coherent transcriptions with minimal user effort.

[0044] In another aspect, embodiments of this disclosure provide a computer readable storage medium, comprising one or more instructions, wherein when the one or more instructions are run on a computer, the computer performs any of the methods disclosed herein.

[0045] In another aspect, embodiments of this disclosure provide a non-transitory computer-readable medium storing instruction the instructions causing a processor in a device to implement any of the methods disclosed herein.

[0046] In another aspect, embodiments of this disclosure provide a device configured to perform any of the methods disclosed herein.

[0047] In another aspect, embodiments of this disclosure provide a processor, configured to execute instructions to cause a device to perform any of the methods disclosed herein.

[0048] In another aspect, embodiments of this disclosure provide an integrated circuit configure to perform any of the methods disclosed herein.

[0049] According to one aspect of this disclosure, there is provided a module comprising: one or more circuits for performing any of the methods disclosed herein.

[0050] According to one aspect of this disclosure, there is provided an apparatus comprising: one or more processors functionally connected to one or more memories for performing any of the methods disclosed herein.

[0051] According to one aspect of this disclosure, there is provided an apparatus configured to perform any of the methods disclosed herein.

[0052] In some embodiments the apparatus comprises one or more units configured to perform the above-described method.

[0053] According to one aspect of this disclosure, there is provided one or more non-transitory, computer-readable storage media comprising computer-executable instructions, wherein the instructions, when executed, cause at least one processing unit, at least one processor, or at least one circuits to perform any of the methods disclosed herein.

[0054] According to one aspect of this disclosure, there is provided one or more computer-readable storage media storing a computer program, wherein, when the computer program is executed by an apparatus, the apparatus is enabled to implement any of the methods disclosed herein.

[0055] According to one aspect of this disclosure, there is provided a computer program product including one or more instructions, wherein, when the instructions are executed by an apparatus, the apparatus is enabled to implement any of the methods disclosed herein.

[0056] According to one aspect of this disclosure, there is provided a computer program, wherein, when the computer program is executed by a computer, an apparatus is enabled to implement any of the methods disclosed herein.

[0057] According to one aspect of this disclosure, there is provided a system comprising a node for performing any of the methods disclosed herein.

[0058] This summary does not necessarily describe the entire scope of all aspects. Other aspects, features and advantages will be apparent to those of ordinary skill in the art upon review of the following description of specific embodiments.BRIEF DESCRIPTION OF THE FIGURES

[0059] In the accompanying drawings, which illustrate one or more example embodiments:

[0060] FIG. 1A is a block diagram illustrating a cloud-based configuration of a natural language processing (NLP) system, according to an example embodiment.

[0061] FIG. 1B is a block diagram illustrating an alternative, on-device configuration of the NLP system of FIG. 1A.

[0062] FIG. 1C is a schematic diagram illustrating an artificial intelligence (AI) engine comprising a NLP model or a large language model (LLM) , according to an example embodiment.

[0063] FIG. 1D is a schematic diagram illustrating an encoder-based architecture of the NLP / LLM shown in FIG. 1C.

[0064] FIG. 1E is a schematic diagram illustrating a decoder-based architecture of the NLP / LLM shown in FIG. 1C.

[0065] FIG. 1F is a schematic diagram illustrating an encoder-decoder-based architecture of the NLP / LLM shown in FIG. 1C.

[0066] FIG. 2 is a flow diagram illustrating a method for modifying a transcribed text in response to detecting a user input event during a voice input session, according to an example embodiment.

[0067] FIG. 3A is a schematic diagram illustrating a gesture-based interaction on a touchscreen interface for triggering real-time modification of transcribed text during dictation, according to an example embodiment.

[0068] FIG. 3B is a schematic diagram illustrating successive gesture-based inputs for initiating multiple levels of text modification during an ongoing dictation session, according to an example embodiment.

[0069] FIG. 4 is a flow diagram illustrating a method for real-time rephrasing of voice input using dynamically selected or adjusted transformation rules, according to an example embodiment.

[0070] FIG. 5 is a flow diagram illustrating a process for selecting between word-for-word transcription and dynamic rephrasing modes during a voice input session, according to an example embodiment.

[0071] FIG. 6A is a user interface diagram illustrating a graphical user interface (GUI) state, according to an example embodiment.

[0072] FIG. 6B is a user interface diagram illustrating an expanded GUI state showing multiple selectable transformation rule icons for rephrasing transcribed content, according to an example embodiment.

[0073] FIG. 6C is a user interface diagram illustrating an alternative layout of selectable transformation rule icons in a horizontal row, according to an example embodiment.

[0074] FIG. 7A is a user interface diagram illustrating a text rephrasing interaction in which a highlighted segment of transcribed text is modified using a selected transformation rule, according to an example embodiment.

[0075] FIG. 7B is a user interface diagram illustrating selection of a different transformation rule and identification of a new highlighted text segment for modification, according to an example embodiment.

[0076] FIG. 7C is a user interface diagram illustrating the display of rephrased output text following the application of a transformation rule by the NLP model, according to an example embodiment.

[0077] FIG. 8 is a flowchart illustrating a dynamic transcription mode-switching process that enables seamless toggling between raw ASR output and rephrased transcription, according to an example embodiment.

[0078] FIG. 9 is a flowchart illustrating a rolling window refinement process that dynamically determines the editing range, according to an example embodiment.

[0079] FIG. 10 is a flowchart illustrating a two-pass refinement process combining immediate text editing and extended contextual rephrasing, according to an example embodiment.DETAILED DESCRIPTION

[0080] Existing automatic speech recognition (ASR) systems have improved accessibility and hands-free input, especially on mobile platforms. However, several limitations remain in their current implementations. One key issue is the limited precision of text editing on mobile touchscreen devices, where limited screen space makes it difficult for users to select or modify specific segments of transcribed text. Additionally, the need to alternate between voice input and manual editing introduces disruptive mode switching, which fragments the user experience and increases cognitive load. These limitations hinder the efficiency of voice-driven workflows.

[0081] Furthermore, most existing ASR systems generate raw transcriptions that are verbose, structurally inconsistent, or error-prone, particularly in extended or spontaneous speech. These systems typically lack dynamic rephrasing capabilities during dictation and require extensive post-processing to correct grammatical issues, adjust tone, or reorganize content. While some implementations include language models to enhance output quality, such enhancements are usually applied only after the transcription has been completed, and still rely heavily on manual revision. Additionally, current systems often lack mechanisms to preserve specific user-defined segments-such as lists, commands, or technical phrases-leaving such content vulnerable to unwanted rephrasing.

[0082] Another limitation lies in the absence of intuitive, real-time editing tools optimized for ASR input. Undo and redo operations, for example, tend to be coarse and difficult to control with precision-particularly on mobile devices-making it challenging for users to reverse specific changes without disturbing nearby content. The lack of gesture-based editing controls further reduces the practicality of real-time voice interaction. Consequently, even minor revisions may require multiple steps, undermining the efficiency benefits of speech-based input systems.

[0083] To address these limitations, the present disclosure introduces an integrated approach that combines ASR with natural language processing (NLP) techniques, including large language models (LLMs) , to enable seamless real-time transcription and refinement. This approach merges dictation with dynamic rephrasing, providing live editing capabilities without interrupting the input process. Gesture-based controls may be used to trigger undo operations or invoke predefined editing commands, reducing reliance on traditional input methods and enhancing usability across mobile and multitasking contexts. By incorporating live rephrasing, structural refinement, and contextual awareness into the transcription workflow, the described approach reduces post-processing burden, improves clarity and tone alignment, and delivers high-quality text output with minimal user intervention.

[0084] To implement these solutions, FIGS. 1A and 1B illustrate example application scenarios of a NLP system that supports real-time transcription and modification of voice input using one or more computing devices. The system may be implemented in either a distributed configuration (e.g., cloud-based processing) as shown in FIG. 1A, or in a local / on-device configuration as shown in FIG. 1B.

[0085] As shown in FIG. 1A, the NLP system 100 includes a user device 110. The user device 110 provide a user interface for a user 101 such that the user device 110 receives inputs from the user 101 and display information to the user 101. The user device 110 may include a mobile phone, tablet, personal computer, wearable device, or other information processing terminal. The user device 110 serves as the initiator of a natural language data processing operation, such as a voice query, dictation session, or text-based interaction.

[0086] The user device 110 is configured to capture voice input from the user 101 and transmit the input over a network 120 to a data processing device 130, which may be implemented as a cloud server, application server, or any other computing infrastructure with data processing capabilities. Alternatively, the voice input can be captured by a separate device that is connected with the user device 110. The data processing device 130 includes a processor 131 and memory 132, and communicates with an interaction interface 133 for handling input and output data.

[0087] The processor 131 executes various operations such as machine learning, deep learning, data training (as indicated by block 131a) , and searching, inference, or decision-making (as indicated by block 131b) . The memory 132 can store transformation rules, historical data, trained models, and other relevant resources. It may include local memory or a connected database that is either embedded within the data processing device 130 or hosted on an external server. Through the interaction interface 133, the system receives voice or text input (as indicated by block 133a) and returns processed or refined responses (as indicated by block 133b) in either text or voice form.

[0088] In contrast, FIG. 1B illustrates an alternative scenario in which the user device 110 itself performs all required NLP processing locally, without transmitting data to a remote server. In this configuration, the user device 110 includes a processor 131, a memory 132, and an interaction interface 133, all configured to operate on-device. The processor 131 supports similar functions to those described in FIG. 1A, including data training, machine learning, and deep learning (as indicated by block 131a) , as well as searching, inference, and decision-making (as indicated by block 131b) . The memory 132 stores relevant data and logic needed to carry out NLP processing without requiring a connection to an external system.

[0089] The interaction interface 133 allows the user 101 to provide voice or text input (as indicated by block 123a) and receive rephrased or refined responses (as indicated by block 123b) in real time. Because all processing is performed locally on the intelligent terminal, this configuration offers advantages in responsiveness, privacy, and offline usability, especially in scenarios with limited network availability.

[0090] The processes implemented in FIG. 1B may generally follow the same steps as those described for FIG. 1A, except that all operations-including speech recognition, transformation rule application, and rephrasing-are executed directly on the terminal hardware. Together, FIGS. 1A and 1B demonstrate two complementary architectures for implementing the described methods, supporting both cloud-based and on-device processing models for real-time, user-responsive transcription and modification of voice input.

[0091] Referring now to FIG. 1C, a schematic diagram of an artificial intelligence (AI) engine 140 is shown. The AI engine 140 is configured to receive an input 146 (e.g., a natural language prompt) and generate a corresponding output 148 using a foundation model such as a natural language processing model or a large language model (NLP / LLM) 144. The AI engine 140 may be implemented as a software module executing on one or more processors, and may form part of the data processing device 130 (shown in FIG. 1A) or the user device 110 (shown in FIG. 1B) . The NLP / LLM 144 processes the input 146 to interpret semantic content, context, and linguistic structure, and generates the output 148 in the form of text, image, audio, or other suitable formats. As illustrated, the NLP / LLM 144 is embedded within a processing block 142 that encapsulates the inference logic of the AI engine 140.

[0092] The NLP / LLM 144 may comprise a neural network trained on a large corpus of language data and configured to perform various tasks such as text classification, summarization, translation, and question answering. In some implementations, the neural network includes an input layer, one or more intermediate layers, and an output layer, where each layer performs computations on input vectors using learned weights to produce an output vector. With increasing depth (i.e., number of intermediate layers) , the model gains the ability to capture more complex patterns and contextual dependencies.

[0093] FIGS. 1D through 1F illustrate different architectural configurations of the NLP / LLM 144 shown in FIG. 1C. These include encoder-based, decoder-based, and encoder-decoder-based variants, which may be selected depending on the type of natural language processing task to be performed.

[0094] As shown in FIG. 1D, the NLP / LLM 144 may include an encoder-based architecture. In this configuration, the input 146 is tokenized into input tokens 251 (e.g., words, subwords, or characters) , which are processed by an encoder 252. The encoder 252 converts the input tokens 251 into vector representations referred to as embeddings 253. These embeddings encode semantic and syntactic relationships between the tokens, and may be used as the output 148 or as intermediate representations for downstream tasks such as classification or retrieval. Encoder-based models are particularly suited for tasks requiring input understanding, such as text classification or named entity recognition.

[0095] FIG. 1E illustrates a decoder-based architecture of the NLP / LLM 144. In this configuration, the input 146 is similarly tokenized into input tokens 261, which are provided to a decoder 262. The decoder 262 generates output tokens 263 in an auto-regressive manner, where each output token is predicted based on the preceding context. The output tokens 263 may then be used to construct the final output 148. Decoder-based models are often employed in generative tasks, such as text completion, summarization, and creative writing, where the objective is to produce fluent and contextually appropriate sequences.

[0096] FIG. 1F shows an encoder-decoder architecture of the NLP / LLM 144, which combines the advantages of both encoder and decoder components. Here, the input 146 is tokenized into input tokens 261, which are processed by the encoder 252 to produce embeddings 253. These embeddings 253 are then consumed by the decoder 262, which generates output tokens 263 based on the encoded representations. The output tokens 263 are subsequently used to produce the output 148. This configuration is commonly used in machine translation and question answering systems, where understanding the input and generating a structured response are both critical.

[0097] Each of the encoder 252 and decoder 262 may include multiple transformer layers or other neural network components, and may be trained using large-scale datasets comprising a diverse range of text content. In some implementations, the encoder-decoder-based NLP / LLM may further incorporate attention mechanisms to align specific portions of the input with generated output tokens, thereby improving accuracy and coherence in complex language tasks.

[0098] The selection of a particular model architecture (e.g., encoder-only, decoder-only, or encoder-decoder) may depend on the specific application context and computational constraints. For example, encoder-based models may be preferable for real-time classification tasks due to their relatively lower latency, whereas decoder-based models may offer greater flexibility in generating fluent, multi-sentence outputs. Encoder-decoder models, while more computationally intensive, may offer higher fidelity in applications requiring both input understanding and complex output generation.

[0099] In the context of the present disclosure, a prompt refers to an input provided by a user or system to initiate a natural language processing operation. A prompt may be expressed in the form of text, voice, or other modalities that are convertible to textual representation. Prompt engineering is a technique used to optimize or structure prompts to elicit desired responses from a language model. In some implementations, prompt engineering may involve supplying explicit task instructions, contextual examples, or formatting cues to guide the model’s output behaviour. For example, a prompt such as “Summarize the following paragraph: ” followed by a body of text may trigger the model to produce a concise summary. Prompt engineering can also be used to adapt generic models for domain-specific applications without modifying the underlying model weights.

[0100] NLP refers broadly to computational techniques for analyzing, interpreting, and generating human language. NLP systems may perform tasks such as syntactic parsing, semantic analysis, information extraction, and text generation. An NLP engine may be implemented using rule-based methods, statistical models, symbolic systems, or neural network-based architectures including LLMs. For example, symbolic solvers are a type of NLP approach that operate on explicitly defined, human-readable rules and facts. Unlike neural models, symbolic solvers do not encode data in vector form, but rather rely on formal rule sets represented in symbolic languages such as Answer Set Programming (ASP) or the Planning Domain Definition Language (PDDL) . Given a set of facts (e.g., (John, brother, Jack) ) , inference rules (e.g., (A, son, B) , (B, son, C) → (A, grandson, C) ) , and a query, a symbolic solver may infer new knowledge through logic-based reasoning. ASP-based solvers such as Clasp or ASSAT, and planning-based solvers such as Fast-Forward, enable knowledge-based NLP systems that are interpretable and rule-governed.

[0101] LLM is a type of neural network-based NLP system trained on extensive corpora of natural language data. LLMs encode subword tokens into high-dimensional vector representations and learn statistical relationships between tokens through unsupervised or semi-supervised training. During training, an LLM is optimized to predict subsequent tokens in a sequence given preceding context, a process known as auto-regressive language modeling. LLMs may include billions of trainable parameters and are often implemented using transformer-based architectures. They are capable of performing a broad range of language-related tasks-including translation, summarization, classification, question answering, and dialogue generation-within a single unified framework. For example, given a prompt such as “Who invented the light bulb? ” , an LLM may generate the response “Thomas Edison” based on prior language exposure. LLMs can also be customized for domain-specific applications using fine-tuning (which modifies internal model weights) or prompt engineering (which modifies inputs without retraining) . While LLMs represent a powerful class of NLP models, other types of NLP systems include rule-based engines, statistical models such as hidden Markov models or conditional random fields, and lightweight neural architectures targeted to specific subtasks such as part-of-speech tagging or named entity recognition.

[0102] ASR refers to a process by which spoken language is converted into machine-readable text. An ASR system typically comprises an acoustic model for analyzing audio waveforms, a pronunciation model for mapping sounds to phonemes or words, and a language model to constrain plausible word sequences. The decoder component then assembles the most likely transcription. In some embodiments, modern ASR models use end-to-end neural or transformer-based architectures that unify these components, while others adopt hybrid configurations. ASR is generally focused on transcription accuracy and operates on audio inputs without regard to deeper semantic interpretation. In practical systems, ASR may serve as the first stage of a pipeline that includes NLP and / or LLM components for downstream processing. For instance, after transcribing spoken input, the resulting text may be passed to an NLP engine (or LLM) for intent classification, rephrasing, summarization, or content generation.

[0103] The relationship between ASR and NLP (or LLM) may be understood as a layered architecture. ASR provides the initial conversion from speech to text, forming the raw linguistic substrate. NLP (or LLM) components then analyze or transform this text based on semantic, contextual, or task-specific rules. In some implementations, NLP (or LLM) capabilities are integrated directly into the ASR pipeline to provide real-time disambiguation or refinement, such as correcting transcription based on grammatical cues or inferred user intent. In this manner, ASR systems handle signal-level interpretation, while NLP (or LLM) systems extract, manipulate, or generate meaning from the transcribed output. In more advanced implementations, these language models may also interact with structured knowledge bases-such as graphs-during processing. In the context of the present disclosure, a graph refers to a structured representation of real-world data, modeled as a set of nodes and edges. Nodes represent entities (e.g., persons or objects) , and edges represent relationships (e.g., kinship, transaction, or association) . Both nodes and edges may include attributes. Paths within the graph represent linked relationships, enabling inference or navigation of complex interconnections. Graph structures may be used to augment NLP (or LLM) tasks involving contextual reasoning, question answering, or entity linking.

[0104] FIG. 2 illustrates a flow diagram of a method 200 for modification of a transcribed text based on a user input. The method may be implemented on a computing device such as a smartphone, tablet, or by a system illustrated in FIGS. 1A and 1B described above. In some other examples, instead of a touchscreen, the computing device may have conventional user interface devices, such as a keyboard and / or a mouse.

[0105] At block 202, a voice input is received, which may be captured from a user via an input device configured to receive audio signals. Such an input device can be a microphone, an array of acoustic sensors, a wearable voice-capturing device (such as smart glasses or earbuds) , a beamforming audio module integrated into a computing device, or a vibration-based sensor (e.g., bone-conduction transducer) that detects vocal vibrations from the user’s body. The voice input may correspond to a dictation session, a spoken command, or a free-form speech segment intended for transcription into text. The voice input may be continuous or segmented and may be provided in a hands-free or interactive context depending on the use case and device configuration.

[0106] At block 204, the received voice input is converted into transcribed text using an ASR model. The ASR model may be executed locally on the computing device or remotely via a server-based system. The ASR model is configured to generate transcribed text that closely reflects the spoken content of the voice input, aiming to preserve both the wording and sequence of the user’s speech.

[0107] At block 206, the transcribed text is displayed on a user interface (UI) , such as a graphical user interface (GUI) , which may be presented on a touchscreen display of the computing device. The UI can provide real-time visual feedback to the user by progressively presenting the transcribed text as it is generated during the dictation session, thereby allowing the user to monitor and interact with the transcription output in an ongoing manner.

[0108] At block 208, a user input is received. The user input may be provided in various forms, including, but not limited to, a touchscreen gesture, a voice command, a keypress, or a physical or virtual button selection. The user input may be continuously monitored to detect whether it corresponds to a predefined input event indicative of the user’s intent to initiate modification of the transcribed text.

[0109] At decision block 210, it is determined whether the received user input corresponds to a predetermined input event associated with initiating a modification operation. The predetermined input event may include, for example, a specific touchscreen gesture (such as a short swipe or a Z-shaped motion) , a predefined voice command, or a designated physical or virtual button activation. Upon detecting such an event, the system proceeds to apply a corresponding text modification process.

[0110] If the user input does not correspond to the predetermined input event, the transcribed text generated by the ASR model may continue to be displayed and updated in real time based on ongoing voice input. If the user input does correspond to the predetermined input event, the method proceeds to block 212.

[0111] At block 212, a portion of the transcribed text is modified in response to detecting that the user input corresponds to the predetermined input event. The portion of transcribed text to be modified may be determined based on a predefined length-such as a fixed number of the most recently transcribed words-or dynamically based on one or more linguistic or contextual factors. Such factors may include, for example, a detected pause in speech, speech cadence, grammatical boundaries, semantic content, or user-defined preferences relating to the modification scope.

[0112] In some embodiments, the determination of the portion to be modified is performed dynamically by the NLP model. The NLP model may be configured to receive a structured prompt that encodes one or more parameters for guiding the editing process, such as the length or type of text to be revised. These parameters may be predefined based on user settings or generated in real time based on the current context of the dictation session. For example, the prompt may specify that only the most recent clause be considered for editing, or that specific content types (e.g., quotations, commands) be excluded from modification. This prompt-based mechanism enables the NLP model to apply edits in a context-aware and linguistically coherent manner.

[0113] The modification may be performed using a transformation rule that is either predefined or dynamically determined during the session. In one implementation, the NLP model is used to generate an alternative phrasing of the transcribed segment, and the transformation rule is incorporated as part of the input prompt to the model. The transformation rule may reflect stylistic, grammatical, or semantic preferences that guide the model in producing corrected or refined output that better reflects the intended meaning, tone, or structure of the original voice input.

[0114] For example, in one embodiment, the predetermined input event may correspond to a gesture-based undo command that enables the user to quickly re-dictate a recently spoken portion of the transcribed text. The gesture triggers the system to identify and overwrite a defined segment-either by default length or as dynamically determined by the NLP model-without requiring the user to pause or switch input modes.

[0115] To minimize interference with unrelated interactions, the gesture-based modification feature may be configured to operate only during active voice input sessions. For example, the undo gesture may only be recognized while dictation is in progress, thereby avoiding conflicts with other common gestures such as scrolling or selecting text on the touchscreen. This approach can promote a seamless and responsive voice-driven interface while preserving the integrity of other UI functionalities.

[0116] In the context of the disclosed embodiments, a prompt may refer to a structured input provided to a NLP model or a LLM to guide the generation of modified text. The prompt may include one or more elements, such as the portion of the transcribed text to be modified and contextual instructions describing how the modification is to be performed. A transformation rule may be incorporated into, or associated with, the prompt to specify one or more objectives for the modification. The transformation rule may be predefined or dynamically generated based on a contextual factor, a user setting, or a detected usage pattern.

[0117] For example, the prompt may contain the most recent portion of the transcribed text and a transformation rule that directs the NLP model or LLM to apply a specific modification, such as converting informal language to a formal tone. A representative prompt may be structured as: “Original text: ‘I wanna go over the numbers again later’ . Transformation rule: Rewrite the sentence in a formal tone. Output the revised sentence only” . In this case, the transformation rule serves as an instruction encoded in natural language that guides the NLP model or LLM in producing an alternative phrasing that aligns with the user’s intended style. Other transformation rules may direct the model to perform grammatical correction, simplify phrasing, restructure content, or adapt tone. Embedding the transformation rule into the prompt in this manner enables context-aware and goal-driven modifications of the transcribed text in response to user inputs.

[0118] FIG. 3A illustrates an example gesture interaction on a touchscreen interface for initiating modification of transcribed text. A touchscreen 300 may correspond to the GUI of a computing device such as a smartphone, tablet, or other electronic devices.

[0119] In the embodiment shown, a gesture 302 is performed on the touchscreen 300 by the user. The gesture 302 follows a curved, arc-shaped path and corresponds to a predetermined input event associated with triggering a modification action, such as rephrasing or replacement of a portion of transcribed text. Upon detecting that the gesture 302 matches the predetermined pattern, the system activates the associated transformation rule and applies a modification to the relevant segment of the transcribed text, without interrupting the user experience for the ongoing dictation, as described above with reference to FIG. 2.

[0120] Also illustrated in FIG. 3A is a dashed line 304, representing a second gesture performed on the touchscreen 300. The gesture defined by dashed line 304 includes a short swipe motion in a linear direction. In this embodiment, the gesture 304 does not correspond to any predetermined input event, and thus does not trigger a modification by the system. Accordingly, the gesture 304 is disregarded in the context of text editing.

[0121] By matching input gestures against a predefined set of gesture patterns, the system ensures that only intentional and valid modification commands are executed. This selective gesture recognition improves reliability and avoids accidental or unintended text alterations, thereby contributing to a more stable and user-friendly voice interaction experience.

[0122] FIG. 3B illustrates an additional embodiment of gesture-based interaction on the touchscreen 300, wherein successive gestures may trigger different levels or iterations of modification to the transcribed text.

[0123] In the depicted example, a first left-and-right gesture 312 is performed by the user on the touchscreen 300. The gesture 312 corresponds to a predetermined input event recognized by the system as a valid trigger for initiating a modification of a portion of the transcribed text. In response, the system may apply a first modification using the NLP model, such as performing basic grammar or spelling correction.

[0124] Following the application of the initial modification, the user may evaluate the modified text for suitability. During this interval, the user may continue the dictation session. A transitional or intermediate motion 314 may be performed-such as a short, nonstandard swipe-while the user is pondering the suitability of the first modification. This motion 314 does not correspond to any predetermined input event and is therefore disregarded by the system.

[0125] If the user determines that further refinement of the transcribed text is desired, a second gesture 316, also in the form of a left-and-right motion, may be performed on the touchscreen 300. The repeated gesture 316 is recognized by the system as a renewed request to apply an additional modification. In response, the system invokes a different transformation using the NLP model. In some implementations, the first modification may perform light editing such as grammar or spelling corrections, while the second modification may involve rephrasing of expressions or restructuring of sentence components to improve tone, fluency, or readability. In other implementations, both the first and second modifications may involve rephrasing, but each applies a different transformation rule or text style, such as switching from a formal to a conversational tone. This allows the user to explore alternative phrasing outputs through repeated gesture interactions without interrupting the dictation flow.

[0126] In some embodiments, repeated applications of the same gesture (e.g., a left-and-right motion) may be interpreted as incremental requests for progressively deeper levels of rephrasing. For example, a third gesture of the same type may prompt the NLP model to apply a more comprehensive transformation to the relevant segment of transcribed text, such as summarizing verbose content, introducing syntactic restructuring, or adapting the style to a more formal or conversational tone based on the context or user preference. The interpretation of repeated gestures may be pre-trained within the NLP model or dynamically controlled through prompt engineering, wherein the prompt delivered to the NLP model encodes the desired level of transformation or refinement. This progressive, gesture-driven refinement mechanism enables users to intuitively control the granularity and depth of text editing in a flexible, real-time manner without the need for mode switching or complex commands.

[0127] Although the foregoing embodiment illustrates gesture-based input on a touchscreen interface as a mechanism for initiating modification of transcribed text, it is to be understood that other forms of user input may be used in alternative implementations. For example, in a desktop computing environment, user interaction may be performed using a keyboard and / or mouse. In such cases, a predetermined input event may include pressing a designated key or key combination (e.g., double-tapping the left “Shift” key) , or performing a mouse-based gesture, such as holding the right mouse button while dragging in a specific pattern. As long as the user interface device supports a definable input mechanism, similar modification triggers may be implemented to invoke the transformation of a portion of the transcribed text. Accordingly, the examples of gesture input described herein should not be interpreted as limiting, and the disclosed techniques may be adapted to accommodate the interaction capabilities of various computing platforms.

[0128] FIG. 4 illustrates a flow diagram of a method 400 for real-time rephrasing of a voice input based on dynamically selected or adjusted transformation rules. This embodiment enhances transcription output by integrating automatic text refinement during dictation, thereby replacing the traditional word-for-word transcription paradigm with intelligent modification options.

[0129] At block 402, a voice input is received, which may be captured from a user via an input device configured to receive audio signals. Such an input device can be a microphone, an array of acoustic sensors, a wearable voice-capturing device (such as smart glasses or earbuds) , a beamforming audio module integrated into a computing device, or a vibration-based sensor (e.g., bone-conduction transducer) that detects vocal vibrations from the user’s body. The voice input may correspond to a dictation session, a spoken command, or a free-form speech segment intended for transcription into text. The voice input may be continuous or segmented and may be provided in a hands-free or interactive context depending on the use case and device configuration.

[0130] At block 404, the received voice input is converted into transcribed text using an ASR model. The ASR model may be executed locally on the computing device or remotely via a server-based system. The ASR model is configured to generate transcribed text that closely reflects the spoken content of the voice input, aiming to preserve both the wording and sequence of the user’s speech.

[0131] At block 406, the transcribed text is modified using a transformation rule. The transformation rule may be predefined (e.g., based on user-specified preferences, tone, or style) or dynamically determined based on real-time contextual analysis. In one embodiment, a NLP model receives a prompt that includes the transformation rule, guiding the model to rephrase or restructure the transcribed content accordingly. This allows for immediate improvements in grammar, clarity, tone, or conciseness without requiring post-editing.

[0132] At block 408, the modified text may be presented to the user in real time as the user keeps speaking. This ensures a continuous and natural workflow for the user while enabling on-the-fly refinement of content. For example, in scenarios such as composing professional emails, note-taking during lectures, or writing blog entries while walking, the user can rely on automatically improved output while focusing on idea generation rather than sentence construction.

[0133] At decision block 410, it is determined whether a user input signal has been received. The input signal may include a touchscreen gesture, a long press, a tap on a displayed icon, or another form of interaction depending on the computing device’s capabilities. This input allows the user to change the active transformation rule-for example, switching between different styles (e.g., business tone, casual phrasing, simplified summary) or disabling modification altogether to revert to word-for-word transcription.

[0134] If a user input signal for chancing settings of the modification is detected, the method proceeds to block 412, where the modification of the transcribed text is adjusted in real time. The adjustment may include updating the prompt provided to the NLP model to reflect the newly selected transformation rule. For example, a user may initiate grammar-only correction at the beginning of a session, but later trigger a tone adjustment to make the content more conversational. Alternatively, the user may enable a summarization mode to convert verbose speech into more concise, high-level text-useful in settings like meeting notes or ideation capture.

[0135] This embodiment enables real-time, context-aware rephrasing to enhance productivity and minimize the need for manual editing. By allowing dynamic adjustment of transformation rules during dictation, the system supports diverse use cases such as accessibility, language learning, multitasking, and content drafting. Further implementation details of dynamic rule switching are described with reference to the flow diagram shown in FIG. 5.

[0136] FIG. 5 illustrates a flow diagram 500 representing an example process for selecting between transcription modes during a voice input session, allowing for either unmodified word-for-word transcription or dynamic rephrasing using transformation rules.

[0137] At decision block 502, it is determined whether a button (e.g., a voice input or on-screen control button) is being held down by the user. This button-based decision point serves as a toggle mechanism between two operation modes: standard transcription and dynamically modified rephrasing.

[0138] If the button is held down, as indicated by the “Yes” path, the process enters a word-for-word transcription mode at block 504. In this mode, the ASR model transcribes the spoken input directly into text with minimal or no post-processing. This mode preserves the exact verbal phrasing of the speaker and is useful in scenarios requiring high fidelity, such as legal note-taking, quote dictation, or language training.

[0139] If the button is not held down (i.e., the “No” path) , the process proceeds to block 506, where one of a plurality of transformation rules is selected. These rules may be preconfigured or dynamically suggested based on user preferences, context, or task-specific settings. Examples of rules include grammar correction, sentence restructuring, summarization, or tone adjustment.

[0140] At block 508, dynamic rephrasing is enabled based on the selected rule. In this state, the ASR output is passed through a NLP model, which applies the selected transformation rule-optionally embedded in the model’s prompt-to refine or rewrite the transcribed text.

[0141] At block 510, the NLP model applies the edits to the transcribed text from the ASR model in real time. This may include basic improvements, such as correcting grammar and punctuation, or more advanced modifications, such as adjusting sentence structure, simplifying complex expressions, or adapting tone.

[0142] Last, at block 512, the system provides the modified text to the user. This may occur through a real-time display on a user interface (e.g., a mobile screen or desktop window) , maintaining a continuous transcription and feedback loop. Regardless of the selected mode-word-for-word or rephrased-the output can be presented seamlessly during ongoing dictation, allowing users to tailor the editing process to suit their immediate needs without interrupting speech flow.

[0143] Following the process flow described in relation to FIG. 5, it is further noted that the gesture-based interactions described with respect to FIGS. 2, 3A, and 3B can also be applied within the context of dynamic rephrasing. Specifically, if the dynamic rephrasing mode is activated (i.e., when the user does not hold the button and one of the transformation rules is selected at block 506) , the user may still influence or override the applied rephrasing in real time through predetermined gesture inputs.

[0144] For example, if a modified transcription is presented to the user and the user determines that the result requires refinement, a corresponding gesture-such as the arc-shaped gesture shown in FIG. 3A or the left-and-right motion of FIG. 3B-may be used to trigger a regeneration of a recently rephrased portion of text. Upon detecting the gesture input, the system may invoke the NLP model to apply an alternative transformation, either using a different transformation rule or adjusting the level of modification.

[0145] FIGS. 6A to 6C illustrate an example GUI configuration for initiating, managing, and customizing transcription and rephrasing modes during a voice input session. This GUI may be rendered on a touchscreen interface of a computing device such as a smartphone, tablet, or other computing devices as described above.

[0146] In FIG. 6A, a GUI block is shown comprising a central virtual voice input button 610, flanked by a virtual backspace button 620 and a virtual keyboard button 630. The voice input button 610 allows the user to initiate voice dictation. In some embodiments, holding the voice input button 610 or double-clicking it activates a word-for-word transcription mode, consistent with blocks 502 and 504 of FIG. 5. In this mode, the ASR model transcribes speech into text without applying modifications. Releasing the button 610 or executing the same gesture again (e.g., a second double-click) may deactivate this word-for-word mode and switch the system to a rephrasing mode powered by a NLP model.

[0147] The backspace button 620 enables the user to delete the most recently transcribed segment of text. The keyboard button 630 invokes a virtual keyboard, allowing the user to manually enter or edit text during or after the dictation process.

[0148] FIG. 6B shows an expanded interface state that may occur when the user releases the button 610, indicating a transition into the rephrasing mode. In this configuration, a set of circular icons 611 is displayed around the voice input button 610. Each icon 611 represents a selectable rephrasing mode or transformation rule. These options may be preconfigured by the user and can include, for example, grammar correction, sentence restructuring, summarization, or conversion to specific formats such as email or note templates. Upon selection of one of the rule options (corresponding to block 506 of FIG. 5) , a portion of the transcribed text generated by the ASR model is passed to the NLP model along with a corresponding pre-configured prompt. The NLP model then generates a rephrased version of the text in accordance with the selected rule, and the interface updates the display to reflect the newly modified content.

[0149] FIG. 6C illustrates an alternative interface arrangement for the rule options. In this embodiment, the icons 611 are aligned in a horizontal row above the voice input button 610, rather than surrounding it. This layout may provide a different presentation depending on screen size or orientation. The functions of the keyboard button 630 and backspace button 620 remain consistent with those described in FIG. 6A.

[0150] Together, FIGS. 6A to 6C demonstrate a flexible and user-friendly interface design that enables users to toggle between transformation rules and seamlessly manage the resulting text. This structure can support real-time interaction and streamline the dictation process, particularly in mobile or hands-free environments.

[0151] FIGS. 7A to 7C illustrate example user interface states in which a portion of transcribed text is selected and modified using one of several predefined transformation rules via an interactive rephrasing interface. These figures build upon the interface architecture shown in FIGS. 6A–6C, particularly the layout involving the voice input button 610, backspace button 620, and keyboard button 630.

[0152] In FIG. 7A, the interface is shown during an active rephrasing interaction. The transcribed text appears above the interface, and a highlighted text segment 702 is shown-indicating the portion of the transcription determined for modification. This selected range may be determined based on either a predefined length (e.g., the last few words or sentences) , or dynamically adjusted based on linguistic or contextual factors, such as sentence boundaries, pauses in speech, detected grammatical units, or user-configured preferences. For example, a complete sentence or semantically complete clause may be selected when the system detects that the user has paused or shifted to a new topic.

[0153] Below the transcribed text, the voice input button 610 is centered, enabling the user to toggle between word-for-word transcription and rephrasing modes, as described in relation to FIGS. 6A to 6C. Since the user has not activated the word-for-word transcription, three icons 612, 613, 614 are shown above the voice input button 610, providing three rule options for the user to select. In FIG. 7A, it is shown that the user has selected the icon 612, which corresponds to a grammar correction mode. In response, a transformation rule focused on improving grammatical accuracy and fluency is applied for modifying the text within the selected segment 702. This modification is performed using the NLP model, which receives the selected text segment and an instruction prompt derived from the grammar correction rule.

[0154] In FIG. 7B, the user interface shows a continued or follow-up interaction, where the user selects the icon 613 as the user speaks another sentence. This icon represents a summarization rule, instructing the NLP model to generate a concise summary of the extended text. In this case, the newly highlighted segment 704 corresponds to the portion to be sent to the NLP model. This region 704 is recognized either through default settings or dynamic scope determination, as described in relation to FIG. 7A. Once the icon 613 is selected, the selected text is sent along with a predefined summarization prompt to the NLP model.

[0155] FIG. 7C shows the result after the summarization is completed by the NLP model and used to replace the original text. Now, a more concise and coherent version of the text is shown in place of the original version, reflecting the summary generated by the NLP model. The GUI remains active, with the voice input button 610 and auxiliary controls (620 and 630) visible and ready for further interaction.

[0156] The icon 614, also visible in FIGS. 7A and 7B, can represent another transformation rule, such as tone adjustment (e.g., switching to formal language) , converting to an email-friendly format, or adapting phrasing to a specific audience. These transformation rules can be configured in advance or selected dynamically during interaction. For example, the dynamic selection of the transformation rules can include at least one of speech cadence, pause, detected keyword, or user correction.

[0157] Speech cadence may be analyzed to detect variations in speaking rate or rhythm that signal a shift in intent or emphasis, which can in turn prompt a specific transformation rule to be applied. Pauses may be interpreted as boundaries for content segmentation, triggering the system to apply formatting or restructuring rules to the preceding segment. Detected keywords-such as “email” , “report” , or “friendly” -may be mapped to predefined transformation rules, allowing the system to infer the user’s intention and automatically adjust the tone or structure of the transcribed text. Similarly, a user correction (e.g., a repeated word or backspace operation) may be treated as an indication of dissatisfaction with the current phrasing, prompting the model to suggest alternative phrasings or activate grammar refinement rules. These dynamic triggers enable the system to apply transformation rules in a context-sensitive manner, thereby improving the adaptability and responsiveness of the transcription and editing workflow.

[0158] Additionally, it can be determined when earlier portions of the text-those not recently revised or selected-are to be marked as “fixed” and excluded from future modifications. This locking behaviour may be time-based (e.g., if a portion remains unchanged for a defined interval) , gesture-triggered, or based on user-defined preferences (e.g., auto-locking earlier segments after a new sentence begins) . Alternatively, the entire transcription may remain editable throughout the session, providing users with greater flexibility.

[0159] FIG. 8 illustrates a flowchart 800 representing another embodiment of the dynamic rephrasing system, where users are given flexible control over toggling between word-for-word transcription and dynamically modified transcription during an ongoing voice input session. This embodiment builds upon the architecture shown in FIG. 5, with additional logic for monitoring and responding to user-driven mode transitions through intuitive UI interactions.

[0160] At decision block 802, the system checks whether a dictation mode is currently active. If the response is Yes, the method proceeds to block 504, where word-for-word transcription is performed-i.e., the system outputs raw ASR results without applying any modification or rephrasing. At block 804, the system checks whether dictation mode has been deactivated by the user during the dictation, such as by the user lifting their finger from the voice input button 610 shown in FIGS. 6A to 7C. If deactivation is detected, the process loops back to block 506 for selecting a rule for rephrasing. Otherwise, transcription continues in the word-for-word mode.

[0161] If at block 802 dictation mode is found to be inactive (i.e., the user has not activated or has deactivated it) , the system proceeds to block 506, where one of the predefined rephrasing rules is selected-e.g., grammar correction, summarization, tone conversion, or format-specific adaptations. At block 508, dynamic rephrasing is enabled, allowing the performance of automatic modifications on a portion of the transcribed text using the NLP model, guided by the prompt associated with the chosen rule. Once enabled, the selected edits are applied in block 510.

[0162] At decision block 806, whether dictation mode has been reactivated by the user is to be determined. This can occur through a gesture or interaction with a virtual button (e.g., the user long presses or double-taps the voice input button 610 again) . If so, the process loops back to block 504 to resume raw ASR transcription; otherwise, transcription continues in the rephrasing mode.

[0163] Once the session reaches a logical or user-defined conclusion, the modified text is provided at block 512. This flowchart illustrates the seamless interplay between raw transcription and dynamic rephrasing. The user is enabled to toggle between transcription modes at any time. It allows reversible modifications and adaptive editing, improving the user experience in scenarios such as content drafting, note-taking, hands-free messaging, or multi-lingual communication.

[0164] In a further embodiment, contextual text refinement may be additionally applied (such as at block 510 shown in FIGS. 5 and 8) to the transcribed content, enabling dynamic adjustment of tone, formality, structure, and clarity based on user input, prior interactions, and content type. Rather than relying solely on static transformation rules, adaptive prompts or dynamically selected instructions may be provided to the NLP model to guide the generation of text that better reflects the user's communicative intent, task-specific requirements, and the target audience.

[0165] To achieve effective contextual refinement, several factors may be considered during or after voice input. These include the type of content being generated (e.g., message, report, list) , the intended recipient or audience (e.g., internal team, client, child) , previously used tone or phrasing style, and the domain or subject matter (e.g., legal, medical, casual conversation) . Transformation prompts may be structured to reflect any combination of these elements, either through predefined tags or dynamically inferred contextual cues.

[0166] For example, tone consistency may be maintained by aligning current phrasing with prior text in the same session or document. If a user previously adopted a formal or technical style, subsequent transcription may be refined to maintain similar structure and tone. This may be particularly useful in multi-turn interactions or collaborative documents where stylistic coherence is important. For example, a casual tone such as “We have received excellent feedback from the team, and the project is on track to meet our deadlines. Awesome! Everything is going so well! ” may be replaced with a more formal alternative such as “We have received excellent feedback from the team, and the project is on track to meet our deadlines. We are pleased with the progress made and are confident in our ability to meet the upcoming deadlines” , depending on the established context.

[0167] The formality of language may also be automatically adapted based on the content type. Informal phrasing may be preferred when discussing routine or personal topics, such as shopping lists or quick messages, while structured, professional phrasing may be used for formal content such as performance reviews or business updates. For example, “The quarterly performance report is ready for review, and we expect the analysis to provide valuable insights. Hey, I think we did pretty well this time! ” may be replaced with “The quarterly performance report is ready for review, and we expect the analysis to provide valuable insights. We expect this analysis will provide valuable insights into our performance. ”

[0168] Where the transcribed voice input relates to a specific domain, adjustments may be applied to ensure subject-appropriate phrasing. For example, casual expressions like “Our legal department has successfully completed the contract review, and we are now ready to proceed. The lawyers finished looking at it, so we’ re good to go! ” may be rephrased as “Our legal department has successfully completed the contract review, and we are now ready to proceed. The legal team has completed the contract review, and we are now ready to proceed with the next steps” , ensuring that terminology and tone reflect professional or legal conventions. Domain-specific vocabulary may be selected to preserve precision and credibility in contexts such as finance, healthcare, or compliance documentation.

[0169] Sensitivity to the intended audience may also be incorporated. Depending on the inferred recipient-such as a manager, external stakeholder, or young learner-adjustments may be made to politeness, complexity, and tone. For example, informal phrases like “The upcoming exercise will focus on enhancing team communication and collaboration. Great job, team! Let’s make sure we finish it ASAP” may be rephrased into “The upcoming exercise will focus on enhancing team communication and collaboration. The exercise is designed to improve communication and collaboration within the team” to ensure appropriateness. Likewise, audience sensitivity may also help avoid unintended harshness if speech cadence indicates urgency or frustration.

[0170] In addition, refinements may be aligned with the user’s intent. If the input includes directive content or action items, directive language may be emphasized. For example, “Please review the attached document and let me know your thoughts. Check this out and tell me what you think! ” may be replaced with “Please review the attached document and let me know your thoughts. Kindly review the attached document and share your feedback” . In other scenarios, selective simplification or elaboration may be applied-e.g., simplifying verbose statements in informal contexts, or expanding on key points for clarity in professional writing. For example, “The project is progressing well, but we need to address some minor issues that have arisen. Things are going great, but we’ ve got a couple of things to fix” may be rephrased as “The project is progressing well, but we need to address some minor issues that have arisen. While the project is moving forward as planned, we need to resolve a few minor issues” .

[0171] Contextual transformation rules may be manually selected by the user, inferred from gestures or speech commands (e.g., “make it more formal” ) , or dynamically generated based on accumulated interaction data. These instructions may be embedded into prompts provided to the NLP model to direct tone, audience style, domain vocabulary, and sentence structure.

[0172] By integrating these contextual refinements into the transcription workflow, text generation becomes more responsive to user preferences and communicative objectives. This reduces reliance on post-editing and enhances clarity, tone alignment, and audience appropriateness across a range of application scenarios, such as composing formal communications, writing technical summaries, preparing audience-aware messages, or creating user-guided summaries.

[0173] In a further embodiment, dynamic adaptation may also be applied to determine the appropriate scope of text modification during a voice input session (such as the highlighted text shown in FIGS. 7A and 7B) . Rather than using a fixed-length segment or static boundary, the portion of transcribed text selected for rephrasing may be determined based on a combination of time-related and semantic factors, including the length of time the user has been speaking, the overall length of the transcribed text, the detected content type, pacing and pauses in the speech, and the semantic completeness of the statements.

[0174] For example, longer speaking intervals may result in the editing scope being limited to the most recent phrases or sentences to ensure clarity and reduce disruption. Conversely, shorter utterances or isolated voice commands may permit the full input to be subject to rephrasing. In some cases, natural pauses or pacing cues-such as silence or reduced cadence-may be treated as segmentation boundaries, delimiting the extent of text considered for editing. Additionally, semantic indicators such as sentence or clause boundaries, grammatical completeness, and cohesion cues may be used to ensure that edits are confined to logically discrete units of meaning.

[0175] Editing scope may also be constrained by the type of content being transcribed. For example, structured inputs such as enumerated lists, quotations, or commands may be exempt from rephrasing to avoid altering the intended format or meaning. In such cases, rephrasing may be restricted to descriptive or narrative segments surrounding the protected elements. This allows greater control over the granularity of editing and ensures that contextually sensitive or formally structured parts of the input remain preserved.

[0176] To avoid excessive modification of earlier input, constraints may be imposed on backtracking. Once a segment of text exceeds a predefined temporal or structural threshold-such as being several sentences old or following a confirmed semantic boundary-it may be marked as uneditable. These constraints help prevent retroactive changes that may unintentionally alter established meaning or context, particularly in extended dictation sessions. The user may thus maintain confidence in the stability of previously confirmed content while retaining the ability to revise recent input fluidly.

[0177] In a further embodiment, the trade-off between responsiveness and coherence may be considered in real-time dictation environments. By limiting modifications to a moving window of recent input, the approach strikes a balance between allowing fluid corrections and minimizing latency or unintended regressions. The result is a text editing process that remains fast, accurate, and context-aware.

[0178] For the rolling window approach, the editing range may be continuously adjusted based on the user’s speaking behaviour and contextual indicators. For example, if a speaker is detected to gradually transition topics or return to a previously discussed point, the boundary of the editable region may be redefined to accommodate the change in discourse flow. The rolling window thus supports dynamic responsiveness to evolving input conditions.

[0179] To support this adaptive editing behavior, FIG. 9 illustrates a flowchart 900 for the rolling window approach that dynamically determines and adjusts the editing range based on real-time input conditions. This process may be implemented in conjunction with the embodiments described in relation to FIGS. 2 through 8.

[0180] At block 902, transcribed input text is received, either continuously during a voice session or in discrete segments following pauses. The transcribed text may be generated by the ASR model as previously described. Upon receiving the text, scope parameters are analyzed at block 904 to determine contextually appropriate boundaries for editing. These parameters may include, for example, the total time elapsed since the start of dictation, the length of the current text segment, the pacing and frequency of pauses, and the content type. For example, if a pause is detected or the user slows down, this may indicate a natural boundary suitable for defining an editing window.

[0181] Based on the scope analysis, a default editing interval is defined at block 906. The interval may be adjusted to fit the parameters assessed at block 904. For shorter utterances or high-interruption segments, the full text may be considered. For longer inputs or fast-paced dictation, only the most recent clause or sentence may be included to preserve responsiveness and avoid overcorrection.

[0182] At block 908, constraints are applied to limit the extent of backtracking. Once a segment falls outside the rolling editing window-due to age, confirmed semantic boundaries, or other contextual indicators-it is excluded from further rephrasing operations. This prevents unwanted changes to earlier content, particularly where continuity or confirmed accuracy is desired.

[0183] A trade-off check is then performed at block 910 to ensure that the applied modifications maintain a balance between responsiveness and coherence. For example, the system may weigh the benefit of revising additional words against the risk of disrupting the flow or style of preceding content. If excessive backtracking would compromise the tone or increase latency, the editing scope may be trimmed accordingly.

[0184] Then, at block 912, the refined text is output. This may involve displaying the updated version in a GUI or updating the text buffer for further transcription. The rolling window process may be repeated iteratively, with each pass triggered by new voice input, gesture events, or user commands, enabling continuous adaptation as the session progresses.

[0185] By adopting the process outlined in FIG. 9, a rolling, context-aware editing window can be implemented to maintain the integrity of recent speech while respecting the coherence of previously transcribed text. This technique further enhances the fluidity of the voice input experience by reducing the need for manual edits and enabling timely, user-aligned text generation.

[0186] Alternatively, a two-pass refinement strategy may be implemented. In this variation, a first pass is applied immediately during speech capture to provide fast, real-time refinement of the most recent content. A subsequent pass may be performed-either automatically or upon user request-to apply rephrasing operations over a longer segment of the text.

[0187] FIG. 10 illustrates a flowchart 1000 that outlines an example process for performing two-stage text refinement based on dynamically determined input scope. This process enhances the responsiveness and quality of the voice-to-text interaction by combining immediate editing with extended contextual refinement.

[0188] At block 1002, input text is received, typically corresponding to a voice input transcribed by the ASR model. A decision is then made at block 1004 to determine whether the received input exceeds a threshold condition for initiating context-aware editing. This threshold may be based on factors such as input length, elapsed speaking time, or detection of pause or topic transition. If the threshold is not met, the process proceeds to block 1006, where a normal transcription is provided, either preserving the raw ASR result without modification or performing the modification by using the NLP model.

[0189] If the input meets or exceeds the editing threshold at block 1004, scope parameters are analyzed at block 1008. This analysis is bifurcated into two tiers: block 1008a focuses on immediate edit parameters, such as speaking cadence, sentence completion, or recently transcribed segments; whereas block 1008b considers extended scope parameters, which include broader historical context, content type, and inferred audience expectations.

[0190] In the first round of refinement, as shown at block 1010, editing is applied within a limited window defined by the most recent input. The edits in this stage are optimized for speed and responsiveness and may include grammar fixes, disfluency removal, and light rephrasing aimed at clarity and coherence. The result of this first pass is then output at block 1012, allowing the user to receive immediate visual feedback.

[0191] Following the initial output, a second round of editing is performed beginning at block 1014. This extended editing range may allow for more substantial modifications over a longer segment of text, including reorganization of sentence structure, stylistic adjustments, summarization, or alignment with predefined transformation goals. This second pass retains awareness of recent context to ensure continuity while expanding the scope of revision.

[0192] To preserve coherence and avoid unintended revisions to earlier portions of the input, a backtracking limit is applied at block 1016. Only the segment deemed within the editable window is considered for the second round of refinement. A trade-off check is then performed at block 1018 to balance accuracy and turnaround time, ensuring that edits are meaningful without introducing latency or excessive rephrasing.

[0193] Then, at block 1020, the output of the second round refinement is provided. This output may replace or supplement the first pass result and reflects a more comprehensive and context-sensitive transformation of the transcribed input. The two-pass approach described in FIG. 10 thus enables efficient, layered editing that supports both immediate feedback and high-quality output, offering a versatile framework for real-time voice-driven content creation.

[0194] In a further embodiment, the transcription interface may support an integrated editing framework that unifies real-time and post-dictation editing through shared, intuitive controls. Editing modes may be pre-enabled before or during dictation-for example, by selecting a transformation rule or pressing a designated button-and these same controls may remain available after dictation has paused or concluded, allowing for seamless post-editing within the same interface. If a portion of the transcribed text is highlighted-either automatically based on contextual cues or manually by the user-or if a voice command identifies the segment of interest, subsequent gestures (such as a swipe) performed before resuming voice input may serve as an implicit confirmation to apply or repeat the previously authorized transformation. This continuity in user interaction can reduce the need for mode switching or redundant configuration, thereby reducing cognitive load and enhancing usability across both live and retrospective editing workflows.

[0195] The described embodiments may utilize any suitable ASR model capable of converting spoken input into transcribed text. ASR models may include deep neural network-based architectures, end-to-end transformer-based architectures, or hybrid models that incorporate acoustic, pronunciation, and language modeling components. Suitable ASR models may include open-source frameworks such as MozillaTM DeepSpeech as well as commercial ASR services integrated via application programming interfaces (APIs) .

[0196] For NLP and rephrasing operations, the embodiments may utilize one or more transformer-based language models, including but not limited to BERT, T5, GPT-series models, or proprietary fine-tuned variants. The models may be hosted in the cloud, embedded on-device, or deployed using a distributed architecture. The NLP component may receive structured prompts encoding transformation rules and return contextually refined outputs based on these instructions.

[0197] In terms of their relationship with NLP, ASR systems are primarily designed for transcription-i.e., mapping speech to text-while NLP systems are used to interpret, analyze, or transform the resulting text. While some ASR systems may incorporate basic language modeling to improve word prediction accuracy during decoding, this is distinct from the more advanced semantic and contextual operations typically handled by NLP models (e.g., rephrasing, summarization, or classification) . In many implementations, ASR and NLP are integrated sequentially, where the ASR output serves as the input for downstream NLP processing.

[0198] The selection of ASR and NLP models may vary depending on system constraints, such as latency, resource availability, or privacy considerations. Lightweight, quantized models may be preferred for on-device execution, while more computationally intensive models may be utilized in server-based configurations to support advanced rephrasing or domain-specific adaptation. In some embodiments, the system may dynamically switch between local and remote models based on current processing load, network connectivity, or user-defined preferences.

[0199] The present disclosure is applicable to products and services that incorporate voice-based input and live text refinement features. These include, but are not limited to, smartphones, tablets, laptops, smart assistants, and other computing platforms capable of supporting automatic speech recognition and natural language processing. The technology supports real-time interaction, enabling users to speak, edit, and revise content seamlessly within a single user interface.

[0200] The embodiments have been described above with reference to flow, sequence, and block diagrams of methods, apparatuses, systems, and computer program products. In this regard, the depicted flow, sequence, and block diagrams illustrate the architecture, functionality, and operation of implementations of various embodiments. For example, each block of the flow and block diagrams and operation in the sequence diagrams may represent a module, segment, or portion of code, which comprises one or more executable instructions for implementing the specified action (s) . In some alternative embodiments, the action (s) noted in that block or operation may occur out of the order noted in those figures. For example, two blocks or operations shown in succession may, in some embodiments, be executed substantially concurrently, or the blocks or operations may sometimes be executed in the reverse order, depending upon the functionality involved. Some specific examples of the foregoing have been noted above but those noted examples are not necessarily the only examples. Each block of the flow and block diagrams and operation of the sequence diagrams, and combinations of those blocks and operations, may be implemented by special purpose hardware-based systems that perform the specified functions or acts, or combinations of special purpose hardware and computer instructions.

[0201] The terminology used herein is for the purpose of describing particular embodiments only and is not intended to be limiting. Accordingly, as used herein, the singular forms “a” , “an” , and “the” are intended to include the plural forms as well, unless the context clearly indicates otherwise. It will be further understood that the terms “comprises” and “comprising” , when used in this specification, specify the presence of one or more stated features, integers, steps, operations, elements, and components, but do not preclude the presence or addition of one or more other features, integers, steps, operations, elements, components, and groups. Directional terms such as “top” , “bottom” , “upwards” , “downwards” , “vertically” , and “laterally” are used in the following description for the purpose of providing relative reference only, and are not intended to suggest any limitations on how any article is to be positioned during use, or to be mounted in an assembly or relative to an environment. Additionally, the term “connect” and variants of it such as “connected” , “connects” , and “connecting” as used in this description are intended to include indirect and direct connections unless otherwise indicated. For example, if a first device is connected to a second device, that coupling may be through a direct connection or through an indirect connection via other devices and connections. Similarly, if the first device is communicatively connected to the second device, communication may be through a direct connection or through an indirect connection via other devices and connections.

[0202] Use of language such as "at least one of X, Y, and Z, " "at least one of X, Y, or Z, " "at least one or more of X, Y, and Z, " "at least one or more of X, Y, and / or Z, " or "at least one of X, Y, and / or Z, " is intended to be inclusive of both a single item (e.g., just X, or just Y, or just Z) and multiple items (e.g., {X and Y} , {X and Z} , {Y and Z} , or {X, Y, and Z} ) . The phrase "at least one of" and similar phrases are not intended to convey a requirement that each possible item must be present, although each possible item may be present.

[0203] It is contemplated that any part of any aspect or embodiment discussed in this specification can be implemented or combined with any part of any other aspect or embodiment discussed in this specification, so long as such those parts are not mutually exclusive with each other.

[0204] The scope of the claims should not be limited by the embodiments set forth in the above examples, but should be given the broadest interpretation consistent with the description as a whole.

[0205] It should be recognized that features and aspects of the various examples provided above can be combined into further examples that also fall within the scope of the present disclosure. In addition, the figures are not to scale and may have size and shape exaggerated for illustrative purposes.

Claims

1.A method for modification of a transcribed text, the method comprising:receiving a voice input;converting the voice input into the transcribed text using an automatic speech recognition (ASR) model;displaying the transcribed text on a user interface of a computing device;receiving a user input; andin response to detecting that the user input corresponds to a predetermined input event associated with modifying the transcribed text, modifying a portion of the transcribed text, wherein:the portion of the transcribed text to be modified is determined based on a predefined length or dynamically based on a linguistic or contextual factor; andthe modification is performed based on a transformation rule, wherein the transformation rule is predefined or dynamically determined.2.The method of claim 1, wherein the modification of the transcribed text is performed using a natural language processing (NLP) model, and wherein the transformation rule is provided to the NLP model as part of a prompt to guide the modification.3.The method of claim 2, wherein the modification includes replacing the portion of the transcribed text with an alternative phrasing generated by the NLP model.4.The method of claim 2 or 3, wherein the prompt comprises:a representation of the portion of the transcribed text to be modified;the transformation rule in natural language specifying one or more editing objectives; andan instruction requesting the NLP model to generate a revised version of the portion of the transcribed text in accordance with the transformation rule.5.The method of any one of claims 1 to 4, wherein the user input is a gesture input detected via a touchscreen, and wherein the predetermined input event comprises a predefined gesture pattern.6.The method of claim 5, wherein the touchscreen is provided on the computing device as the user interface.7.The method of any one of claims 1 to 4, wherein the user input is a voice command, and wherein the predetermined input event comprises a predefined voice command pattern.8.The method of any one of claims 1 to 5, wherein the user input is a keypress or button selection detected via a physical or virtual interface, and wherein the predetermined input event comprises a predefined keypress or button activation pattern.9.The method of any one of claims 1 to 8, wherein the linguistic or contextual factor comprises at least one of:a detected pause or speech cadence pattern in the voice input;a grammatical boundary;a semantic attribute of the transcribed text;a contextual cue; ora user-defined preference related to modification length.10.The method of any one of claims 1 to 9, further comprising dynamically adjusting the portion of transcribed text to be modified based on a user feedback provided as part of the user input.11.The method of any one of claims 1 to 10, further comprising capturing the voice input using an input device configured to receive audio signals.12.The method of any one of claims 1 to 11, further comprising:modifying the transcribed text using a transformation rule, wherein the transformation rule is predefined or dynamically determined;providing the modified text while continuing to receive the voice input; andadjusting the modification of the transcribed text in response to receiving a user input signal during the dictation that changes the transformation rule.13.The method of claim 12, further comprising pre-determining the transformation rule using at least one of a user-specified text style preference, a document type, or an intended audience.14.The method of claim 12 or 13, further comprising dynamically determining the transformation rule using at least one of speech cadence, pause, detected keyword, or user correction.15.The method of any one of claims 12 to 14, wherein the modification of the transcribed text includes at least one of:grammar correction;sentence restructuring;summarization;tone adjustment; orcontextual adaptation based on detected audience or subject matter.16.The method of any one of claims 12 to 15, further comprising designating a non-modifiable portion of the transcribed text to prevent the modification from rephrasing the designated non-modifiable portion.17.The method of any one of claims 12 to 16, wherein the transformation rule comprises a plurality of predefined transformation rules, and wherein the method further comprises:displaying the modified text on a user interface of a computing device, wherein a touchscreen is provided on the computing device as the user interface;displaying a plurality of rule icons on the user interface, each corresponding to one of the plurality of predefined transformation rules; andin response to receiving a user selection of one of the plurality of rule icons via the user interface, applying a selected one of the plurality of predefined transformation rules to adjust the modification.18.The method of any one of claims 12 to 17, further comprising:displaying a disabling icon on a user interface of a computing device, wherein a touchscreen is provided on the computing device as the user interface; andin response to receiving a user activation of the disabling icon via the user interface, disabling the modification such that the transcribed text converted by the ASR model is provided.19.The method of any one of claims 12 to 18, further comprising determining a length of the modification of the transcribed text based on at least one of the following parameters:a temporal characteristic of the voice input;a structural characteristic of the transcribed text;a contextual characteristic of the transcribed text;a detected speech pattern; ora linguistic characteristic ensuring coherence and readability of the modified text.20.The method of claim 19, further comprising:dynamically adjusting a window defining the length of the modification of the transcribed text based on at least one of:a detected pause or pacing pattern in the voice input,a semantic or grammatical boundary in the transcribed text,a change in topic or user intent, ora length or duration of uninterrupted speech; andmodifying the transcribed text within the dynamically adjusted window using the transformation rule.21.The method of claim 19, further comprising, in response to determining that the length of the modification of the transcribed text exceeds a predetermined threshold:adjusting the length of a first modification to a first length and selecting a first transformation rule;modifying a first portion of the transcribed text within the first length using the first transformation rule;adjusting the length of a second modification to a second length that is longer than the first length and selecting a second transformation rule that is different from the first transformation rule; andmodifying a second portion of the transcribed text within the second length using the second transformation rule.22.A method for rephrasing of a voice input, the method comprising:receiving the voice input;converting the voice input into transcribed text using an automatic speech recognition (ASR) model;modifying the transcribed text using a transformation rule, wherein the transformation rule is predefined or dynamically determined;providing the modified text while continuing to receive the voice input; andadjusting the modification of the transcribed text in response to receiving a user input signal during the dictation that changes the transformation rule.23.The method of claim 22, wherein the modification of the transcribed text is performed using a natural language processing (NLP) model, and wherein the transformation rule is provided to the NLP model as part of a prompt to guide the modification.24.The method of claim 23, wherein the modification includes replacing at least a portion of the transcribed text with an alternative phrasing generated by the NLP model.25.The method of claim 23 or 24, wherein the prompt comprises:a representation of the portion of the transcribed text to be modified;the transformation rule in natural language specifying one or more editing objectives; andan instruction requesting the NLP model to generate a revised version of the portion of the transcribed text in accordance with the transformation rule.26.The method of any one of claims 22 to 25, further comprising pre-determining the transformation rule using at least one of a user-specified text style preference, a document type, or an intended audience.27.The method of any one of claims 22 to 26, further comprising dynamically determining the transformation rule using at least one of speech cadence, pause, detected keyword, or user correction.28.The method of any one of claims 22 to 27, wherein the modification of the transcribed text includes at least one of:grammar correction;sentence restructuring;summarization;tone adjustment; orcontextual adaptation based on detected audience or subject matter.29.The method of any one of claims 22 to 28, further comprising designating a non-modifiable portion of the transcribed text to prevent the modification from rephrasing the designated non-modifiable portion.30.The method of any one of claims 22 to 29, wherein the transformation rule comprises a plurality of predefined transformation rules, and wherein the method further comprises:displaying the modified text on a user interface of a computing device, wherein a touchscreen is provided on the computing device as the user interface;displaying a plurality of rule icons on the user interface, each corresponding to one of the plurality of predefined transformation rules; andin response to receiving a user selection of one of the plurality of rule icons via the user interface, applying a selected one of the plurality of predefined transformation rules to adjust the modification.31.The method of any one of claims 22 to 30, further comprising:displaying a disabling icon on a user interface of a computing device, wherein a touchscreen is provided on the computing device as the user interface; andin response to receiving a user activation of the disabling icon via the user interface, disabling the modification such that the transcribed text converted by the ASR model is provided.32.The method of any one of claims 22 to 31, further comprising determining a length of the modification of the transcribed text based on at least one of the following parameters:a temporal characteristic of the voice input;a structural characteristic of the transcribed text;a contextual characteristic of the transcribed text;a detected speech pattern; ora linguistic characteristic ensuring coherence and readability of the modified text.33.The method of claim 32, further comprising:dynamically adjusting a window defining the length of the modification of the transcribed text based on at least one of:a detected pause or pacing pattern in the voice input,a semantic or grammatical boundary in the transcribed text,a change in topic or user intent, ora length or duration of uninterrupted speech; andmodifying the transcribed text within the dynamically adjusted window using the transformation rule.34.The method of claim 32, further comprising, in response to determining that the length of the modification of the transcribed text exceeds a predetermined threshold:adjusting the length of a first modification to a first length and selecting a first transformation rule;modifying a first portion of the transcribed text within the first length using the first transformation rule;adjusting the length of a second modification to a second length that is longer than the first length and selecting a second transformation rule that is different from the first transformation rule; andmodifying a second portion of the transcribed text within the second length using the second transformation rule.35.The method of any one of claims 22 to 34, further comprising capturing the voice input using an input device configured to receive audio signals.36.A system comprising:at least one processor; andat least one memory communicatively coupled to the at least one processor, the at least one memory having stored thereon computer program code that is executable by the at least one processor and that, when executed by the at least one processor, causes the at least one processor to perform the method of any one of claims 1 to 35.37.A non-transitory computer readable medium have stored thereon computer program code that is executable by at least one processor and that, when executed by the at least one processor, causes the at least one processor to perform the method of any one of claims 1 to 35.38.A non-transitory, computer-readable medium storing instructions that, when executed by a processor, configure the processor to perform the method of any one of claims 1 to 35.39.A device that is configured to perform the method of any one of claims 1 to 35.40.A processor that is configured to execute instructions to cause a device to perform the method of any one of claims 1 to 35.41.An integrated circuit that is configured to perform the method of any one of claims 1 to 35.42.A module comprising one or more circuits for performing the method of any one of claims 1 to 35.43.An apparatus comprising one or more processors functionally connected to a memory for performing the method of any one of claims 1 to 35.44.An apparatus that is configured to perform the method of any one of claims 1 to 35.45.A non-transitory, computer-readable storage media storing instructions that, when executed, cause at least one processing unit, at least one processor, or at least one circuit to perform the method of any one of claims 1 to 35.46.A computer program product including instructions that, when executed by an apparatus, enable the apparatus to implement the method of any one of claims 1 to 35.47.A computing system comprising a node for performing the method of any one of claims 1 to 35.

Images