Особливості створення системи, що використовує глибоке навчання для розпізнавання слів або фраз з аудіозаписів

Abstract

У роботі розглянуто процеси побудови системи розпізнавання мовлення з використанням сервісу Google Speech-to-Text API, розроблено алгоритми обробки аудіосигналу, здійснено аналіз шумового середовища та особливостей української мови при розпізнаванні. Показано етапи реалізації графічного інтерфейсу користувача (на базі Tkinter), створення скриптів для захоплення голосу, збереження результатів у локальних файлах та автоматичне завантаження транскриптів у Google Drive. Представлено діаграму послідовності обробки аудіофайлів та результати тестування. Реалізовано функції асинхронного запису та багатопотокової взаємодії з API сервісами для забезпечення стабільної роботи інтерфейсу. Сформовано рекомендації щодо безпечної роботи з обліковими даними та конфігурацією (через.env). Надано приклади форматів вхідних/вихідних файлів, обґрунтовано вибір технологій та засобів реалізації системи.