Как быстро распознавать речь из аудиофайла?

Question

[uzi_no_uzi]

Имеется ссылка с аудиофайлом в mp3 формате. На данный момент этот функционал реализован таким образом:

link = driver.find_element(By.XPATH, '/html/body/div/div/div[7]/a').get_attribute('href');
    myfile = requests.get(link)
    open('C:/Users/user/Desktop/unbot/audio.mp3', 'wb').write(myfile.content)
    sound = AudioSegment.from_mp3("audio.mp3")
    sound.export("file.wav", format="wav")




    from os import path
    AUDIO_FILE = path.join(path.dirname(path.realpath(__file__)), "file.wav")

    r = sr.Recognizer()
    with sr.AudioFile(AUDIO_FILE) as source:
        audio = r.record(source)

    try:
        print("Google Speech Recognition thinks you said " + r.recognize_google(audio))
    except sr.UnknownValueError:
        print("Google Speech Recognition could not understand audio")
    except sr.RequestError as e:
        print("Could not request results from Google Speech Recognition service; {0}".format(e))

Т.е. мы скачиваем по ссылке файл, конвертируем его в wav, распознаем речь и получаем результат. Делается это через Google Speech Recognition. Все это занимает около 3-4 секунд в сумме, но это слишком долго для моей задачи. Можно ли как-то ускорить процесс? Не конвертировать в wav нет варианта, ибо библиотека speech_recognition не работает в mp3 форматом. Слышал еще по какое-то АПИ гугла, платное, может кто-то использовал, если попробовать через него, будет ли быстрее?

Comments

[Dimonchik]

делайте на лету, без записи на диск

и ищите fast media converter

Answer 1

[Николай Савельев]

Хочешь быстрее - делай собственную распознавалку.
Бесплатно тебе никто этот Клондайк не даст

Comments

[uzi_no_uzi]

Мне подойдет и платное решение, я не писал, что мне нужно бесплатно) Главное чтобы такое решение было

Мне нужно чтобы я мог запросом отправить ссылку на файл и получить ответ с тектом, можете знаете такой сервис? Очень важна именно скорость, я думаю, что теряю много времени на том, что файл скачивается, потом конвертируется в вав и только потом распознается.

[Николай Савельев]

uzi_no_uzi, на самом деле, даже платно никто такую киллер-фичу не отдаст в общее пользование.
Сервисов таких нет и быть не может, потому что это противоречит интересам бмзнеса.

Answer 2

[Антон Попов]

Я пользуюсь офлайн распознованием речи с помощью библиотеки vosk: https://github.com/alphacep/vosk-api
Думаю, будет значительно быстрее)

Comments

[uzi_no_uzi]

Затестил, распознает намного медленнее чем тот же самый гугл, да и не особо точно

[Антон Попов]

Ну, возможно, у вас медленный компьютер. У меня распознаёт в реальном времени без задержек. Для точности распознавания можно скачать полную модель (1,5Гб против 45Мб).

[Александр]

Антон Попов, Здравствуйте, а можно узнать параметры вашего ПК, чтo-бы понять что нужно для распознования real-time.

[Антон Попов]

Александр, у меня сейчас Apple M1, когда писал — был i7. Но, тк запускают на Raspberry Pi — требования должны быть совсем не большие...

[Александр]

У меня 8 оперативы не хватает для загрузки модели в PyCharm, виснет. Если вас не затруднит покажите скрипт который вы используете для распознования в режиме реального времени, потому что сколько бы я не пробовал, у меня не то что точно распозновал, он вообще какую то дичь выдавал, хотя онлайн гугол нормально распознаёт.