如何解决是否有一个很好的开源选项来使用用户特定的自定义词汇表将语音转文本流式传输?
我正在构建一个严重依赖实时语音到文本转录的 SaaS 产品。一个重要的方面是每个用户都需要能够识别他们独有的一小部分单词/短语。通用语言模型可以共享给所有用户。
对于我的 MVP,我一直在使用 IBM Watson 的语音到文本服务及其自定义语言模型功能,并且效果很好。能够基于每个用户指定具有语音“听起来像”值的自定义单词非常方便。不幸的是,API 成本对于我的定价模型不可行,因此我正在寻找开源替代方案。
通过我的研究,最有前途的实时转录选项似乎是 Vosk 或 Kaldi Gstreamer Server。我已经设置了它们,它们似乎适用于一般转录,但我不确定如何处理特定于用户的自定义词汇。
Vosk 的文档和示例代码表明您可以在启动服务器时将自定义词传递给它,但我认为为每个客户端转录启动一个完整的服务器进程是不切实际的。
Kaldi Gstreamer Server 的 master server & worker 方法在资源方面似乎更实用,但我不清楚如何处理用户特定的词汇表。文章 like this one 表明合并自定义单词需要数小时的训练,这并不理想。
似乎 Dragonfly 可能提供一些向“user_lexicon.txt”添加单词的功能,但它似乎比连续语音识别更适合发声命令。
您是否找到了合适的开源选项来处理 SaaS 环境中的此类场景?如果是这样,我会很感激朝着正确的方向推动。谢谢!
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。