প্রকল্প সম্পর্কে

SpeechRecognition একটি বহুল ব্যবহৃত Python লাইব্রেরি যা অনলাইন এবং অফলাইন উভয় ধরনের বিস্তৃত ইঞ্জিন ও API জুড়ে স্পিচ রিকগনিশন সম্পাদনের জন্য একটি একীভূত ইন্টারফেস প্রদান করে। এটি বিভিন্ন স্পিচ-টু-টেক্সট পরিষেবার সাথে সংহত করার জটিলতা দূর করে, যার ফলে ডেভেলপাররা ন্যূনতম কোড পরিবর্তনে প্রদানকারীদের মধ্যে পরিবর্তন করতে পারেন। সমর্থিত ইঞ্জিন এবং API-এর মধ্যে রয়েছে CMU Sphinx (অফলাইন), Google Speech Recognition, Google Cloud Speech API, Wit.ai, Microsoft Azure Speech, Houndify API, IBM Speech to Text, Snowboy Hotword Detection (অফলাইন), TensorFlow, Vosk API (অফলাইন), OpenAI Whisper (অফলাইন), OpenAI Transcription API (vLLM এবং Ollama-এর মতো OpenAI-সামঞ্জস্যপূর্ণ স্ব-হোস্টেড এন্ডপয়েন্ট সহ), Groq Whisper API, এবং Cohere Transcribe API। লাইব্রেরিটির জন্য Python 3.10 বা তার পরবর্তী সংস্করণ প্রয়োজন। ঐচ্ছিক নির্ভরশীলতাগুলি pip extras-এর মাধ্যমে ইনস্টল করা হয়: মাইক্রোফোন ইনপুটের জন্য PyAudio, Sphinx রিকগনাইজারের জন্য PocketSphinx, Google Cloud Speech-to-Text-এর জন্য google-cloud-speech, অফলাইন রিকগনিশনের জন্য Vosk, স্থানীয় ট্রান্সক্রিপশনের জন্য Whisper বা Faster Whisper, OpenAI Transcription API-এর জন্য openai, Groq Whisper API-এর জন্য groq, এবং Cohere Transcribe API-এর জন্য cohere। x86-ভিত্তিক Windows, Linux এবং OS X সিস্টেমের জন্য একটি FLAC এনকোডার বান্ডল করা আছে, তবে অন্যান্য প্ল্যাটফর্মে এটি আলাদাভাবে ইনস্টল করতে হবে। মূল বৈশিষ্ট্যগুলির মধ্যে রয়েছে মাইক্রোফোন-ভিত্তিক স্পিচ ক্যাপচার, অডিও ফাইল ট্রান্সক্রিপশন, ব্যাকগ্রাউন্ড লিসেনিং, পরিবেষ্টিত শব্দের জন্য এনার্জি থ্রেশহোল্ড ক্যালিব্রেশন, এবং বর্ধিত রিকগনিশন ফলাফল। লাইব্রেরিটি recognize_sphinx, recognize_google, recognize_google_cloud, recognize_wit, recognize_api, recognize_houndify, recognize_ibm, recognize_snowboy, recognize_tensorflow, recognize_vosk, recognize_whisper, recognize_faster_whisper, recognize_openai, recognize_groq, এবং recognize_cohere_api-এর মতো পদ্ধতি সহ একটি সহজ API প্রদান করে। রিপোজিটরিতে একটি বিস্তৃত examples ডিরেক্টরি রয়েছে যেখানে মাইক্রোফোন রিকগনিশন, অডিও ফাইল ট্রান্সক্রিপশন, অডিও ডেটা সংরক্ষণ, বর্ধিত ফলাফল, এনার্জি থ্রেশহোল্ড ক্যালিব্রেশন, ব্যাকগ্রাউন্ড লিসেনিং এবং বিশেষ রিকগনাইজার বৈশিষ্ট্যুলির ব্যবহারের ধরণ রয়েছে। ট্রাবলশুটিং ডকুমেন্টেশনে ভুল ট্রিগার, ভাষা/উপভাষা সমর্থন, Raspberry Pi মাইক্রোফোন সমস্যা, PyInstaller সামঞ্জস্যতা এবং প্ল্যাটফর্ম-নির্দিষ্ট অডিও ত্রুটির মতো সাধারণ সমস্যাগুলি কভার করা হয়েছে। লাইব্রেরিটি PyPI-তে প্রকাশিত এবং একাধিক লেখকের অবদানে সক্রিয়ভাবে রক্ষণাবেক্ষণ করা হয়। এটি ভয়েস-সক্ষম অ্যাপ্লিকেশন, ট্রান্সক্রিপশন সরঞ্জাম এবং স্পিচ-চালিত ইন্টারফেস তৈরি করা ডেভেলপারদের জন্য উপযুক্ত যাদের ক্লাউড-ভিত্তিক এবং ডিভাইস-ভিত্তিক স্পিচ রিকগনিশন সমাধানের মধ্যে বেছে নেওয়ার নমনীয়তা প্রয়োজন।