Телефонный звонок → структурированный JSON: строим STT + LLM пайплайн на Python

Каждый день в российском бизнесе происходят миллионы телефонных звонков. Колл-центры, клиники, юридические конторы, отделы продаж - везде, где есть телефон, есть поток неструктурированных данных, который никто не обрабатывает. Менеджер повесил трубку, записал в CRM “клиент интересовался” - и 80% информации из разговора потерялось.

https://habr.com/ru/articles/1020632/

#stt #speechtotext #llm #NLP #whisper #pyannote #диаризация #python #prompt_engineering

MekaHime (@MekaHimeAI)

AI waifu 'Amika' 개발 비용이 현재까지 약 2.5만 달러라고 소개했다. 자체 STT·TTS와 커스텀 동적 프롬프팅 시스템을 사용하며, 로컬 LLM만으로 800ms 미만 응답 속도를 구현한 사례로, 실시간 대화형 AI 제품/애플리케이션 관점에서 흥미롭다.

https://x.com/MekaHimeAI/status/2041213151526703370

#aiwaifu #stt #tts #localllm #prompting

AI Speech Technologies

This page is a collection of notes and links related to AI speech technologies, including Text-to-Speech (TTS), Speech-to-Text (STT), voice synthesis, voice cloning, and other rela(...)

#ai #cloning #speech #stt #synthesis #tts #voice #whisper

https://taoofmac.com/space/ai/speech?utm_content=atom&utm_source=mastodon&utm_medium=social

Wes Roth (@WesRoth)

음성 받아쓰기 앱을 만드는 Willow가 실시간 дик테이션용 STT 모델 Atlas 1을 출시했다. 기존 Whisper 같은 범용 모델보다 받아쓰기 환경에 맞춰 설계된 독자 모델이며, 실시간 전사 품질 개선을 목표로 한다.

https://x.com/WesRoth/status/2039538310637601274

#stt #speechtotext #voiceai #dictation #model

Angry Tom (@AngryTomtweets)

Microsoft가 새로운 음성 인식 모델 MAI-Transcribe-1을 공개했다. 혼잡한 실제 환경에서도 높은 품질의 전사를 빠르고 효율적으로 제공하는 SOTA speech-to-text 모델이라고 소개된다.

https://x.com/AngryTomtweets/status/2039724108544704707

#microsoft #speechtotext #transcription #aimodel #stt

Falls du mit deinem Computer reden willst: Da hab ich was gemacht: https://github.com/jedie/stt2desktop

Alles lokal, ohne Clouddienste!

Kann man generisch für alles nutzen, weil es einfach den aktuell eingesprochenen Text an die Stelle des Cursors einfügt. Man kann einfach ins Mikrofon Deutsch oder Engisch (oder was anderes) sprechen, das funktioniert dank #Whisper eigentlich ziemlich gut.

#OpenSource #Python #STT #LocalLLM

Тестирование алгоритмов шумоподавления для сложных акустических условиях

Распознавание речи в реальных условиях представляет собой одну из наиболее сложных задач в области обработки сигналов. Особенно актуальна эта проблема для роботов, которые должны функционировать в разнообразных зашумленных условиях: в толпе людей, на открытом воздухе при сильном ветре, в помещениях с высоким уровнем фонового шума. Традиционные алгоритмы шумоподавления, разработанные для стационарных условий, оказываются неэффективными в таких сценариях. В данной статье описывается исследовательский проект по разработке и оптимизации алгоритмов цифровой обработки сигналов для обеспечения надежного распознавания речи в экстремальных акустических условиях. В качестве тестовой платформы использована система автоматического распознавания птиц на базе BirdNET-Go, что позволило проводить длительные полевые испытания в естественных условиях с разнообразными типами шумов. Ключевой задачей проекта был подбор оптимальных алгоритмов фильтрации и их параметров для работы с нестационарным шумом. В процессе исследования были реализованы и протестированы различные подходы к шумоподавлению, включая спектральное вычитание, адаптивные фильтры и алгоритмы на основе минимальной среднеквадратичной ошибки. Особое внимание уделено алгоритму Log-MMSE (Minimum Mean-Square Error Log-Spectral Amplitude Estimator), который показал наилучшие результаты в условиях нестационарного шума. Выбор птиц в качестве тестового объекта был неслучаен: вокализация врановых (ворон, сойка, сорока, галка, грач) по своим частотным характеристикам близка к человеческой речи, что делает их идеальной моделью для отработки алгоритмов, предназначенных для роботов. Длительные полевые записи в различных погодных условиях позволили собрать обширную базу данных для анализа эффективности различных подходов к шумоподавлению. Полетели послушаем

https://habr.com/ru/articles/1006084/

#birdnet #docker #stt #microphone

AI Speech Technologies

This page is a collection of notes and links related to AI speech technologies, including Text-to-Speech (TTS), Speech-to-Text (STT), voice synthesis, voice cloning, and other rela(...)

#ai #cloning #speech #stt #synthesis #tts #voice #whisper

https://taoofmac.com/space/ai/speech?utm_content=atom&utm_source=mastodon&utm_medium=social