سرویس گفتار به متن STT

📌 شرح پروژه: توسعه سرویس تشخیص گفتار به متن (STT) 🎯 هدف پروژه ما به دنبال توسعه یا پیاده‌سازی یک سرویس تشخیص گفتار به متن (STT) هستیم که بتواند صداهای ورودی (فارسی و در صورت امکان انگلیسی) را با دقت بالا و در زمان واقعی (real-time) به متن تبدیل کند. این سرویس به‌عنوان یک زیرسیستم برای دستیار هوش مصنوعی تلفنی و اپلیکیشن‌های داخلی ما استفاده خواهد شد. ✅ نیازمندی‌ها 1. امکانات کلیدی Real-time STT (پردازش همزمان با ورودی صدا) پشتیبانی از فرمت صوتی 8kHz و 16kHz (mono WAV/PCM) برای سناریوهای تلفنی و معمولی خروجی به صورت متن لحظه‌ای (streaming transcript) با قابلیت اصلاح و تکمیل جملات در انتها دقت تشخیص بالا (حداقل 95٪ روی داده‌های فارسی تلفنی) قابلیت تشخیص شروع و پایان جملات (sentence segmentation) پشتیبانی از API REST و WebSocket 2. کیفیت و خروجی پشتیبانی از زبان فارسی (اولویت) و امکان افزودن زبان‌های دیگر در آینده زمان پاسخگویی (Latency) کمتر از 300 میلی‌ثانیه در حالت آنلاین ⚠️ چالش‌های پروژه کیفیت پایین صدا در کانال‌های تلفنی (8kHz، نویز بالا، اکو) نیاز به مدیریت دیالکت‌ها و لهجه‌های فارسی بهینه‌سازی سرعت inference در شرایط real-time یکدست نبودن لحن و مکث‌ها در ورودی احتمال نیاز به مدل سفارشی (Fine-tuning روی Common Voice Persian) 🔧 تکنولوژی‌های پیشنهادی مدل‌ها: Whisper, NVIDIA NeMo FastConformer, DeepSpeech (متن‌باز) در صورت نیاز منابع سخت افزاری در اختیارتان گذاشته میشود: GPU, Docker, Kubernetes بهبود کیفیت صدا: DNS4, RNNoise یا مشابه برای حذف نویز 📊 معیارهای پذیرش ارائه یک دموی عملی روی یک نمونه فایل صوتی و استریم زنده رسیدن به حداقل 95٪ دقت روی دیتاست تست ما مستندسازی کامل و قابل استفاده برای تیم داخلی