RealtimeSTT: Whisperをベースとした低遅延ストリーミング音声認識のためのリアルタイム音声テキスト変換ツール

はじめに

RealtimeSTTは、高度な音声アクティビティ検出とウェイクワードアクティベーションを備えた、効率的で低レイテンシーのリアルタイム音声テキスト変換ライブラリです。Kolja Beigelによって、高速で正確な音声テキスト起こしを必要とするアプリケーションをサポートするために開発されました。音声アシスタントであれ、正確な音声文字起こしを必要とするアプリケーションであれ、RealtimeSTTは優れたパフォーマンスと使いやすさを提供します。

機能一覧

• リアルタイム音声テキスト化：様々なアプリケーションシナリオに対応し、音声をリアルタイムでテキストに書き起こします。
• 音声アクティビティ検出：ユーザーが話し始めた時と止めた時を自動的に検出し、書き起こしの精度を向上させます。
• ウェイクアップワード起動：ウェイクアップワード機能をサポートし、ユーザーは特定の単語によってシステムを起動することができます。
• 低遅延：ユーザー体験を向上させるため、音声テキスト化プロセスにおいて低遅延を確保する。
• マルチプラットフォーム対応：複数のオペレーティングシステムとプラットフォームに対応し、簡単に統合できます。
• オープンソース・コード：開発者が二次開発やカスタマイズを行えるよう、完全なオープンソース・コードを提供する。

ヘルプの使用

設置プロセス

1. クローン・プロジェクト・ウェアハウス

   git clone https://github.com/KoljaB/RealtimeSTT.git

2. プロジェクト・カタログにアクセスする：

   cd RealtimeSTT

3. 依存関係をインストールします：

   pip install -r requirements.txt

4. (オプション）GPUサポートをインストールします：

   pip install -r requirements-gpu.txt

使用方法

サーバーの起動

1. 音声テキスト化サーバーを起動する：

   stt-server

2. サーバーが起動したら、"speak now "というプロンプトを待つ。

クライアントの利用

1. クライアントを起動し、サーバーに接続する：

   stt

2. クライアントが起動したら、話し始めると、システムはリアルタイムで音声をテキストに書き起こします。

主な機能

リアルタイム音声テキスト変換

1. インポート AudioToTextRecorder クラス：

   from RealtimeSTT import AudioToTextRecorder

2. テキストを処理する関数を定義する：

   def process_text(text):
print(text)

3. 録音を開始し、テキストを処理する：

   if __name__ == '__main__':
print("Wait until it says 'speak now'")
recorder = AudioToTextRecorder()
while True:
recorder.text(process_text)

音声アクティビティ検出

1. このシステムは、ユーザーが通話を開始したときと停止したときを自動的に検出するため、追加の設定は必要ない。

モーニングコール起動

1. ウェイクアップワード機能を設定し、ユーザーは特定のワードによってシステムを起動することができます。

詳細操作例

言われたことをすべて入力する

1. インポート AudioToTextRecorder 歌で応える pyautogui::

   from RealtimeSTT import AudioToTextRecorder
import pyautogui

2. テキストを処理する関数を定義する：

   def process_text(text):
pyautogui.typewrite(text + " ")

3. 録音を開始し、テキストを処理する：

   if __name__ == '__main__':
print("Wait until it says 'speak now'")
recorder = AudioToTextRecorder()
while True:
recorder.text(process_text)