codeforequity-at/botium-speech-processing

What it solves

它提供了一个统一且对开发者友好的 API，用于访问各种免费和开源的语音转文字 (STT) 和文字转语音 (TTS) 服务，减少了管理多个不同音频处理工具的需求。

How it works

该项目作为一个具有特定设计理念的软件堆栈，将多个音频工具封装成一个单一的 API。默认情况下，它使用 Kaldi 进行语音识别，使用 MaryTTS 进行语音合成，并使用 SoX 进行音频文件转换。它可以通过 Docker 部署，并支持本地开源引擎与 Azure、Google 和 Deepgram 等云端供应商的集成。它还包含一个文件系统监视器，用于批量处理，以及一个 WebSocket 端点，用于实时音频流传输。

Who it’s for

正在构建语音功能聊天机器人服务（如 IVR 系统）的开发者、正在为教程合成音频轨道的创作者，以及正在进行语音服务自动化测试的测试人员。

Highlights

• Unified API: 单一接口用于多个 STT 和 TTS 引擎。
• Hybrid Support: 支持本地开源工具 (Kaldi, MaryTTS) 或云端 API。
• Real-time Streaming: 支持通过 WebSockets 进行音频流传输。
• Automated Processing: 包含文件系统监视器，用于自动转录和合成。
• Audio Utility: 集成了 SoX 用于音频文件转换和添加特效。