Создание голосового ассистента, что стоит учитывать в первую очередь?

Question

[yessetw]

Собираемся создавать голосового ассистента на языке Python. Хотелось бы узнать что стоит учитывать перед началом проекта и какие вообще есть нюансы

Comments

[Павел Рысев]

Мало вводных. Приложение на какой тип устройств, есть ли деньги на платное API гугла или яндекса для распознавания речи. хотите распознавать в режиме реального времени или же "записал предложение - нажал ок - получил результат". Клиент-серверная архитектура или все развернуто на стороне клиента. Какой в принципе функционал хотите. Основная проблема в данном типе проектов, на мой взгляд - именно четкое распознавание слов, хотяб ключевых. Последний раз занимался этим вопросом 4 года назад - тогда у python были с этим проблемы - готовых решений под русский язык не было толком, а те что были - распознавали оч коряво, не всегда ключевые слова удавалось распознать, также были проблемы с производительностью. Попробуйте, если не пробовали, поиграться с перечисленными библиотеками здесь:
https://pythonpip.ru/examples/raspoznavanie-rechi-...
https://proglib.io/p/reshaem-zadachu-perevoda-russ...
https://habr.com/ru/articles/529590/

устраивает ли вас результат. Если денег хватает, можно посмотреть в стороны платных сервисов для распознавания речи:
https://www.tinkoff.ru/software/voicekit/ - вроде самое дешевое раньше было, но апи тупило часто, как сейчас не знаю.
https://cloud.yandex.ru/services/speechkit - от яндекса сервис качественнее, но подороже.

Хотя возможно уже есть хорошее бесплатное и готовое решение для русского языка, не встречал.
Можно упороться и натренировать свою нейронку конечно, но как по мне это точно будет очень долго и сложно.

[Модератор]

Не надо ставить как можно больше тэгов. Лучше оставить один, но конкретный, с которым проблема.
См.п.3.1 Регламента. Также обратите внимание на п.3.6

[Сергей Горностаев]

Смотря что именно вы хотите создать. Если скрипт, использующий готовую библиотеки для записи с микрофона, готовый сервис для распознавания слов и запуск программ по наличию некоторых слов среди распознанных, то всё относительно просто. А вот если вы хотите с нуля написать систему, которая понимает человеческую речь на уровне яндексовской Алисы, то стоит учитывать, что такие системы годами пишутся большими командами спецов экстра-класса и требуют инфраструктуры стоимостью в миллиарды долларов.