 昨日，谷歌在其开源博客中宣布开源 Android 语音识别转录工具 —— Live Transcribe 的语音引擎（Live Transcribe Speech Engine），它旨在将语音或对话实时转录为文字，还能够为听障人士提供帮助。 Live Transcribe 是谷歌于今年 2 月推出的一款 Android 应用程序，它的语音识别由谷歌最先进的 Cloud Speech API 提供。但是，依赖于云引入了一些复杂性，不断变化的网络连接、数据成本和延迟的鲁棒性等等都带来一些考验。因此，谷歌把它开源出来， 希望开发人员在已有的基础上进一步构建和开发。 Cloud Speech API 目前无法支持无限的音频流，团队采取了一些措施来解决这一难题，例如在达到超时之前关闭并重新启动流式传输请求，这将有效减少会话中丢失的文本量。 无限流媒体音频带来了一大挑战。在许多国家，网络数据非常昂贵，并且在互联网较差的地方，带宽可能有限。Live Transcribe Speech Engine 的团队对音频编解码器进行了大量实验，并最终在不影响精度的情况下将数据使用量减少了 10 倍。 另外，由于是提供实时语音转录，转录出来的文本会随着语音的输入不断发生变化，降低延迟自然十分必要。该引擎能够大大降低延迟率，这都要归功于它的自定义 Opus 编码器。 此外，值得一提的是，Live Transcribe 支持超过 70 种语言，并能够根据语音自动识别语种，其中也包括中文。
|
