تبدیل لایو ویس به فرمت متنی خاص با هوش مصنوعی

سلام وقت بخیر با هوش مصنوعی نیاز به سرویسی دارم که بصورت لایو ویس را به متن تبدیل کند و آنرا در قالب متنی خاصی در خروجی تحویل دهد مثلا کودک هنگام صحبت کردن کلمات رو پس و پیش می گوید هوش مصنوعی آنرا مرتب و نیاز او را دقیق تشخیص دهد. مثال: کلمات مربوط به دو عمل مجزا یکسان هستند مثلا می خواهد "به مادر زنگ بزند" یا "مادر به او زنگ بزند" کلمات تقریبا یکی هستند تشخیص دهد کدام عمل را درخواست کرده است. پیاده سازی بصورت اپلیکیشن باشد بهتر است