codeforequity-at/botium-speech-processing

What it solves

様々な無料およびオープンソースの音声文字起こし (STT) とテキスト読み上げ (TTS) サービスにアクセスするための、統一された開発者フレンドリーな API を提供します。これにより、複数の異なるオーディオ処理ツールを管理する手間を軽減します。

How it works

このプロジェクトは、いくつかのオーディオツールを単一の API にラップする、設計思想に基づいたソフトウェアスタックとして機能します。デフォルトでは、音声認識には Kaldi、音声合成には MaryTTS、オーディオファイル変換には SoX を使用します。Docker を介してデプロイ可能で、ローカルのオープンソースエンジンと Azure、Google、Deepgram といったクラウドプロバイダーとの統合をサポートしています。また、バッチ処理用のファイルシステムウォッチャーと、リアルタイムオーディオストリーミング用の WebSocket エンドポイントも含まれています。

Who it’s for

音声機能付きチャットボットサービス (例: IVR システム) を構築している開発者、チュートリアル用の音声トラックを合成するクリエイター、および音声サービスの自動テストを行うテスター。

Highlights

• Unified API: 複数の STT および TTS エンジンを単一のインターフェースで操作可能。
• Hybrid Support: ローカルのオープンソースツール (Kaldi, MaryTTS) またはクラウド API と連携可能。
• Real-time Streaming: WebSockets を介したオーディオストリーミングをサポート。
• Audio Utility: オーディオファイル変換とエフェクト追加のための SoX を統合。
• Automated Processing: 自動文字起こしと合成のためのファイルシステムウォッチャーを搭載。