Uberi/speech_recognition

解決的問題

此函式庫為在 Python 中執行語音辨識提供了一個統一的介面，允許開發人員在不同的語音轉文字引擎與 API 之間輕鬆切換，而無需重寫核心邏輯。它簡化了從麥克風或檔案擷取音訊並將其轉換為文字的過程，同時支援線上雲端服務與離線本地引擎。

工作原理

此函式庫充當多個語音辨識後端的封裝器。它提供了一套一致的工具來處理音訊輸入（透過 PyAudio 處理麥克風），然後將該音訊路由到選定的辨識引擎。支援的後端包括：

• 離線引擎： CMU Sphinx、Vosk 以及 OpenAI Whisper。
• 線上 API： Google Speech Recognition、Google Cloud Speech、Wit.ai、Microsoft Azure Speech、Houndify、IBM Speech to Text、OpenAI Transcription API、Groq Whisper API 以及 Cohere Transcribe API。

它還包含用於校準環境噪音和管理音訊數據編碼（例如使用 FLAC）的工具函數。

適用對象

正在構建語音控制應用程式、逐字稿工具，或任何需要使用各種可用 AI 模型與服務將語音音訊轉換為文字的軟體的開發人員。

亮點

• 多引擎支援： 與廣泛的本地及雲端語音轉文字提供商相容。
• 線上與離線： 透過 Sphinx、Vosk 或 Whisper 支援完全離線的辨識，以滿足隱私或低延遲需求。
• 靈活的輸入： 可以直接從麥克風或現有的音訊檔案處理音訊。
• 環境噪音處理： 包含用於校準能量閾值以更好地處理背景噪音的功能。