codeforequity-at/botium-speech-processing

What it solves

它提供了一個統一且對開發者友好的 API，用以存取各種免費與開源的語音轉文字 (STT) 及文字轉語音 (TTS) 服務，減少了管理多個不同音訊處理工具的需求。

How it works

該專案作為一個具備特定設計理念的軟體堆疊，將多個音訊工具封裝成單一 API。預設情況下，它使用 Kaldi 進行語音辨識，使用 MaryTTS 進行語音合成，並使用 SoX 進行音訊檔案轉換。它可以透過 Docker 部署，並支援本地開源引擎與 Azure、Google 和 Deepgram 等雲端供應商的整合。它還包含一個檔案系統監視器，用於批次處理，以及一個 WebSocket 端點，用於即時音訊串流。

Who it’s for

開發者正在構建語音功能聊天機器人服務（例如 IVR 系統）、內容創作者正在合成教學影片的音訊軌道，以及進行語音服務自動化測試的測試人員。

Highlights

• Unified API: 單一介面用於多個 STT 與 TTS 引擎。
• Hybrid Support: 支援本地開源工具 (Kaldi, MaryTTS) 或雲端 API。
• Real-time Streaming: 支援透過 WebSockets 進行音訊串流。
• Audio Utility: 整合了 SoX 用於音訊檔案轉換與添加特效。
• Automated Processing: 具備檔案系統監視器，可實現自動轉錄與合成。"},