隨著雲端運算的技術越來越成熟，各家平台提供語音方面的服務，應用開發者只要連上雲端並將語音上傳，便能取得想要的服務。為了研究如何連上各家平台的服務，筆者設計一個 Proxy 服務，如圖一所示。目前，我們實際使用過的平台有：阿里雲、百度、科大訊飛、雲知聲，每個雲端平台提供服務的連線驗證方式都不一樣，而且雲運算的語音辨識參數也不盡相同，所以設計一個 Proxy Service 將連線驗證與各項參數做成一個統一開放的介面。Proxy 服務讓其他程式、工具、或人機介面透過網路方式連到這個服務上，並上傳語音，之後返回辨識結果。過程中，各平台的驗證以及 SDK 的整合均由這個 proxy 處理掉了。
 |
| 圖一：語音辨識的 Proxy 服務 |
圖二是Proxy Service 內部架構的方塊圖。服務裡有一個 TCP listening 一直等待著其他程式連線，一旦有 TCP 連線，便創建一個新 thread，專門處理這一路連線的通道。由此可知，Proxy 服務可以同時處理多個語音通道，互相獨立運算。另外，圖下方所示，這個服務的底層就是整合多家平台的 SDK，調用他們的 SDK 連上雲端獲得服務。這些 SDK 函數主要功能是封裝 WebSocket 通訊協定，方便開發者調用。當然，我們也可以根據平台的技術文件自行設計一套 WebSocket app 連線雲端，參考 [1][2] ，既然平台有提供 SDK，最好是使用 SDK 來開發，這可避免不相容的問題。
Proxy 服務的核心是提供一個統一開放介面 SRChannel，並可以設定相關參數，如：VAD、silence偵測、silence 長度...等。設計一個存放語音的 queue，並穩定地上傳到雲端。從雲端返回的事件或結果，再傳給對應的程式。
 |
| 圖二：Proxy 服務的內部方塊圖
|
這裡，我們設計一個音檔轉換工具，透過 Proxy 服務將語音轉成文字。底下影片，採用雲端的語音辨識運算，將wav音檔內的語音轉換成文字的程式。影片右邊是音檔轉換工具程式，影片的左邊是播放音檔的聲音，我們可以左右比對音檔內容與語音辨識後的文字。這個轉換工具將目錄裡面的所有音檔依序轉換成文字，並顯示在底下的表格內。
參考資料
全站熱搜
留言列表
