Picovoice/cheetah

Picovoice / Cheetahとは？

Cheetahは、リアルタイムかつデバイス内で動作する音声認識エンジンです。完全にオフラインで動作し（音声データがデバイスから外部へ送信されることはありません）、スマートフォン、組み込みボード（Raspberry Pi）、ブラウザ、デスクトップOSで動作するほど軽量に設計されています。

主な機能

ストリーミング文字起こし – 短いオーディオフレームを入力すると部分的な文字起こし結果が返され、発話が終了すると最終的な文字起こし結果が取得できます。
単語レベルのメタデータ – オプションのAPIにより、各単語のタイムスタンプと信頼度スコアを取得できます。
多言語対応 – 英語、フランス語、ドイツ語、イタリア語、ポルトガル語、スペイン語に標準対応しており、商用顧客向けには他の言語も利用可能です。
クロスプラットフォーム – ネイティブCライブラリをベースに、Python、Java、.NET、Node.js、React、React-Native、Flutter、iOS、Android、Web（プレーンJSまたはReact）用のバインディングを提供しています。また、Linux、macOS、Windows、Raspberry Pi向けのビルド済みバイナリも提供しています。
プライバシー重視 – すべての処理がローカルで行われます。AccessKeyはSDKのアンロックとライセンス管理のみに使用されます。

使用方法（一般的なフロー）

PicovoiceコンソールからAccessKeyを取得します（すべてのSDKで必須）。
Cheetahインスタンスを作成します。AccessKeyとモデルファイルを使用します（デフォルトモデルは同梱されており、カスタムモデルはPicovoice Consoleでトレーニング可能です）。
オーディオフレーム（16-bit PCM）をprocess（またはprocess_annotated）に入力します。この呼び出しにより、部分的な文字起こし結果と、発話が終了したかどうかを示すフラグが返されます。
is_endpointがtrueになったら、flush（またはflush_annotated）を呼び出して最終的な文字起こし結果を取得します。
終了時にリソースを解放します。

例 (Python)

import pvcheetah
handle = pvcheetah.create(access_key='YOUR_KEY')
while True:
    partial, is_endpoint = handle.process(get_next_frame())
    if is_endpoint:
        final = handle.flush()

READMEには、C、Swift、Java、Kotlin、Dart、JavaScript、C#などの同様のコードスニペットが記載されています。

デモとSDK

このリポジトリには、サポートされている各言語/プラットフォーム向けのすぐに実行可能なデモ（マイク入力、オーディオファイルモード）が含まれており、Maven、npm、PyPI、CocoaPods、NuGet、Pubなどのパッケージリストも提供されています。

どのような用途に適していますか？

オフラインでの音声コマンドやディクテーションが必要なモバイルアプリ。
音声をクラウドに送信することが望ましくない組み込みデバイス（スマートスピーカー、ロボットなど）。
サーバーとの通信なしでデバイス内での文字起こしを実現したいWebアプリケーション。
低遅延、省リソース、データプライバシーを重視するあらゆる製品。

結論： Cheetahは、デバイス内での低リソースなユースケースに焦点を当てた、本格的なプロダクショングレードの音声認識SDKであり、幅広い言語バインディングとデモコードを備えています。