谷歌宣布開源Android語音識別轉(zhuǎn)錄工具 —— Live Transcribe的語音引擎

谷歌在其開源博客中宣布開源 Android 語音識別轉(zhuǎn)錄工具 —— Live Transcribe 的語音引擎（Live Transcribe Speech Engine），它旨在將語音或?qū)υ拰崟r轉(zhuǎn)錄為文字，還能夠為聽障人士提供幫助。

Live Transcribe 是谷歌于今年 2 月推出的一款 Android 應用程序，它的語音識別由谷歌最先進的 Cloud Speech API 提供。但是，依賴于云引入了一些復雜性，不斷變化的網(wǎng)絡連接、數(shù)據(jù)成本和延遲的魯棒性等等都帶來一些考驗。因此，谷歌把它開源出來， 希望開發(fā)人員在已有的基礎上進一步構建和開發(fā)。

Cloud Speech API 目前無法支持無限的音頻流，團隊目前采取了一些措施來解決這一難題，例如在達到超時之前關閉并重新啟動流式傳輸請求，這將有效減少會話中丟失的文本量。

無限流媒體音頻帶來了一大挑戰(zhàn)。在許多國家，網(wǎng)絡數(shù)據(jù)非常昂貴，并且在互聯(lián)網(wǎng)較差的地方，帶寬可能有限。Live Transcribe Speech Engine 的團隊對音頻編解碼器進行了大量實驗，并最終在不影響精度的情況下將數(shù)據(jù)使用量減少了 10 倍。

另外，由于是提供實時語音轉(zhuǎn)錄，轉(zhuǎn)錄出來的文本會隨著語音的輸入不斷發(fā)生變化，降低延遲自然十分必要。該引擎能夠大大降低延遲率，這都要歸功于它的自定義 Opus 編碼器。

此外，值得一提的是，Live Transcribe 支持超過 70 種語言，并能夠根據(jù)語音自動識別語種，其中也包括中文。