如何使用python不断地对不断增加的音频文件进行语音识别？

Question

我有一个项目，希望在实时通话中将音频文件连续转换为文本。

实际上，我只能在实时通话中记录被呼叫者的声音，我想识别在实时通话中他讲话的时间。记住，我只是想知道被叫方在说什么，直到他停止说那句话，而不是他在现场通话中已经说过的话。我想使用python或php完成所有这些操作。 Python是更好的选择。有人可以帮我吗？

Answer 1

您应该可以使用ARI执行此操作。有一个python library for it。这是我的处理方法：

1. 在Dialplan中，将呼叫置于Stasis中以启动ARI。参见docs
2. Start recording the channel（不是网桥）。这样，您只能获得他们的音频。
3. 如果您进行某种日志记录，则可以选择监视ChannelTalkingStarted和ChannelTalkingFinished事件，以保存它们正在讲话的时间戳。
4. 流式传输记录文件最多Google Speech API（或类似文件），并在Python中处理接近实时的结果。
   • 您也可以使用通话开始/结束事件来“分割”录音（使用sox），如果不需要即时结果，可以在通话过程中抄录每段录音。
5. 借助ARI（而不是Dialplan）的灵活性，您可以轻松地将文本结果发送到通过API制作的另一个应用程序中。