昨日，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A(yù)ndroid應(yīng)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(fù)雜性，不斷變化的網(wǎng)絡(luò)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(chǔ)上進一步構(gòu)建和開發(fā)。
Cloud Speech API目前無法支持無限的音頻流，團隊采取了一些措施來解決這一難題，例如在達到超時之前關(guān)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(luò)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。
