ASRInferenceEngine

ASR モデルの推論サーバー

概要

これは、アプリケーションとクラウドベースの AI サービスの間のインターフェイスとして機能する FastAPI ベースのサーバーです。次の 3 つの主要なタスクに焦点を当てています。

1. 音声をテキストに変換する（文字起こし）
2. テキストを音声に変換する
3. 音声から音声への変換 (上記 2 つの組み合わせ)

現在、これらのサービスには OpenAI の API が使用されていますが、将来的には他のプロバイダーを追加できるように設計されています。

特徴

1. 文字起こし（音声からテキストへ）

   • 非同期ファイルのアップロードと転写
   • WebSocket 経由のストリーミング文字起こし

2. テキスト読み上げ

   • さまざまな音声オプションを使用してテキストを音声に変換します

3. スピーチツースピーチ

   • 音声入力をテキストに変換してから音声に戻します
   • ファイルのアップロードと WebSocket 経由のストリーミングの両方をサポート

プロジェクトの構造

 .
├── cloud_providers/
│   ├── base.py
│   └── openai_api_handler.py
├── server/
│   ├── main.py
│   ├── routers/
│   │   ├── transcribe.py
│   │   ├── tts.py
│   │   └── speech_to_speech.py
│   └── utils/
│       └── logger.py
|
└── requirements.txt
└── README.md

セットアップとインストール

1. リポジトリのクローンを作成する

2. 仮想環境を作成します。

   python -m venv venv
   source venv/bin/activate

3. 依存関係をインストールします。

    pip install -r requirements
   

4. 環境変数を設定します。

    export OPENAI_API_KEY=your_openai_api_key
   

サーバーの起動

サーバーを起動するには、プロジェクト ディレクトリに移動して次を実行します。

 python server/main.py

これにより、FastAPI サーバー (通常はhttp://localhost:8000が起動します。

• API の詳細については、 API docsを確認してください。

ロギング

アプリケーションは、コンポーネントごとに個別のログ ファイルを使用して、ログ記録にローテーション ファイル ハンドラーを使用します。

• logs/main.log : メインアプリケーションログ
• logs/transcription.log : 文字起こし固有のログ
• logs/tts.log : テキスト読み上げログ
• logs/speech_to_speech.log : Speech-to-Speech ログ

エラー処理

このアプリケーションには、API エラーや WebSocket の切断など、さまざまなシナリオに対応するエラー処理が含まれています。エラーはログに記録され、適切な HTTP 例外が発生します。

拡張性

このプロジェクトは拡張性を念頭に置いて設計されています。 base.pyのCloudProviderBase抽象基本クラスを使用すると、OpenAI を超えた追加のクラウド プロバイダーを簡単に統合できます。

セキュリティに関する考慮事項

• OpenAI API キーが安全に保管され、コードやバージョン管理に公開されないようにしてください。
• 現在、サーバーは CORS 設定ですべてのオリジンを許可しています。運用環境では、これを特定の許可されたオリジンに制限する必要があります。

今後の改善点

1. 追加のクラウド プロバイダー (Google Cloud、Azure など) のサポートを追加します。
2. AI モデルの構成オプションをさらに追加する
3. エラー処理を改善し、より詳細なエラー メッセージを提供します。

貢献する

貢献は大歓迎です！お気軽にプルリクエストを送信してください。

ライセンス

[ここにライセンスを指定してください]