智东西（公众号：zhidxcom）编 | 韦世玮
导语：在各类语音转录工具百花齐放的当下，谷歌开源的Live Transcribe将给人们带来更便捷和新颖的语音体验。
智东西8月19日消息，近日，谷歌开源了Android语音识别转录工具Live Transcribe的语音引擎，源代码现在可以在GitHub上获得。
谷歌希望通过这一方式，能够让任何开发者为长篇对话提供字幕，进一步为安卓语音识别转录工具的实时转录功能提供动力。
一、两种转录方式，覆盖所有安卓设备
今年二月，谷歌发布了Live Transcribe，该工具通过使用机器学习算法，能将音频转换为实时字幕。
与谷歌即将为安卓推出的Live Caption（实时字幕）功能不同，Live Transcribe是一种全屏体验，它依赖于谷歌云Speech API（语音应用编程接口），能让用户通过智能手机的麦克风或外接麦克风使用。
Live Transcribe实质上是一种交流工具，一方面，它可以用70多种语言和方言来描述实时口语单词。另一方面，用户也可以通过输入文字来进行转录。
此外，Live Caption和Live Transcribe还有一个主要的区别。Live Transcribe可以在18亿台安卓设备上使用，而Live Caption只适用于部分Android Q设备。
二、如何解决云上工作的潜在弊端？
目前，谷歌的Cloud Speech API并不支持发送无限长的音频流。此外，它依赖云来使用的特性，也意味着它在网络连接、数据成本和延迟方面都有潜在问题。
因此，语音引擎会在请求超时之前关闭并重启，还会在长时间的静默期间重启会话，以及在检测到语音暂停时关闭会话。 在会话期间，语音引擎还会在本地缓冲音频，当网络重新连接时便可发送。
基于这些设计，谷歌避免了工具转录时会出现截断的句子或单词，并减少了对话中丢失的文本量。 为了降低带宽需求和成本，谷歌还评估了不同的音频编解码器，包括FLAC（无损音频编解码器）、AMR-WB（新型宽带语音编解码器）和Opus（有损音频编解码器）。
其中，FLAC可以保持转录的准确性，但不能保存太多的数据，并且具有明显的延迟；AMR-WB能够节省大量数据，但它在嘈杂环境中的转录不够精确；Opus允许使用比大多数音乐流服务还要低很多倍的数据速率，还能同时保留音频信号的重要细节。
此外，谷歌还可以在长时间的静音期间，通过语音检测来关闭网络连接。总体而言，谷歌能够在不影响转录准确性的情况下，将数据使用量减少10倍。
为了进一步降低延迟，Live Transcribe使用了自定义Opus编码器，能提高比特率，使延迟在视觉上无法区分发送但未压缩的音频。
三、Live Transcribe的9项语音引擎功能
谷歌列出了Live Transcribe的9项功能文档，但不包括说话人识别：
1、无限流媒体；
2、支持70多种语言；
3、当用户在网络和Wi-Fi之间切换时，可简化网络丢失。并且文字只会延迟，不会丢失；
4、对扩展网络丢失具有鲁棒性，即使网络中断数小时，仍会重新连接。但没有连接就无法进行语音识别；
5、可以轻松启用和配置Opus、AMR-WB和FLAC编码；
6、包含文本格式库，可用于可视化ASR（自动语音识别）置信度，发言人ID等；
7、可扩展到离线模式；
8、内置支持语音检测器，可在延长静音期间内用于停止ASR，以节省资金和数据；
9、内置支持扬声器识别，可用于根据扬声器编号标记或着色文本。
该文档还指出，这些库与生产应用程序Live Transcribe中运行的库几乎相同。谷歌已经对它们进行了广泛的现场测试和单元测试，但测试本身并不是开源的。
谷歌将为开发人员们提供APK（安卓安装包），让他们能够在不构建任何代码的情况下试用该库。
结语：为人们提供更高效和便利的沟通方式
谷歌表示，Live Transcribe是他们与加拉德特大学合作开发的一款应用，专为失聪和听障用户打造，而加拉德特大学是美国第一所专为失聪及听障人士设立的大学。
这款应用的开源对开发人员们来说，也许能进一步为失聪和听障患者的生活带来更大的便利。同时对普通人来说，也能帮助人们更快地适应各类新的语言环境，提供更高效的沟通方式。
文章来源：VentureBeat
