Как сделать быстрое распознавание голоса для умной колонки?

Question

[Семён]

Здравствуйте, собираю лапками умную колонку аля Яндекс Станция, но без ИИ). Она будет прототипом для производства, должна перегонять речь в текст и просто записывать в текстовый файл. Всё бы ничего, да распознавание голоса через Гугл, Яндекс и pocketsphinx занимает слишком много времени, однако, к сожалению, ничего другого сам найти не смог, да и Гугл с Яндексом для коммерции не подходят. Рассматриваю open source решения ибо код колонки будет под GPT лицензией. Может есть какой-нибудь аппаратный модуль распознавания или библиотека шустрая? Колонку желательно сделать на stm32, но готов взять что-нибудь другое, хоть RPI при необходимости, рассмотрю любые варианты.

Answer 1

[nshmyrev]

Для распознавания без сети на RPi (лучше 4 чем 3) можно использовать Vosk:

https://github.com/alphacep/vosk-api

Работает хорошо. Демо тут:

https://www.youtube.com/watch?v=iRwBIrWJlcI

о подробностях можно спросить в телеграмме

https://t.me/speech_recognition_ru

Answer 2

[rPman]

Если пользоваться гуглом, то посади за распознавание любую железку с запущенным google chrome, в котром у тебя будет крутиться демон, использующий speach api для распознования и синтеза речи.

Самые лучшие алгоритмы оффлайн распознавания русского языка у гугла и у яндекс, но последний не на столько 'открыт' (само собой эти движки проприетарные и вообще они одно из самых сильных орудий кибершпионажа, что есть в мире).

Когда я говорю оффлайн, это значит гугл не отправит голосовой трафик в сеть (и даже это не гарантированно), но при этом само подключение к сети будет требоваться. Полагаю это сделано чтобы никто не воспользовался этим движком в коммерческих целях, ну и контроль конечно же - кто что когда где.


На android есть 100% голосовые движки, работающие оффлайн, т.е. к примеру google translate работает и распознает отлично и очень быстро, но вот получить api именно к гугловскому движку .... точно помню несколько лет назад народ как то ковырялись в их библиотеках, потом это прикрыли.

Comments

[Семён]

За идею с Гуглом спасибо, но как раз друг попросил сварганить прототип для производства, поэтому Гугл через браузер не прокатит) Вообще хотел опенсорс решение, можно в принципе открыть исходники всей колонки чтобы GPL соответствовать, там особо нечего скрывать. Ну или на край какое-нибудь платное решение. Вопрос отредактировал немного

[rPman]

В не найдете качественных готовых движков распознавания речи в свободном доступе. Ключевое слово - энергоэффективные и быстрые.

Компании типа гугл тратят на них миллиарды, и тот кто имеет в своем распоряжении эти движки имеет преимущество в сборе информации

p.s. синтез речи есть отличный открытый движок rhvoice рекомендую

[Семён]

Как раз смутно об этом догадывался, спасибо за ответ