video-speech-recognition:使用机器学习为网络自动生成视频字幕

实时自适应视频语音识别 这是一个概念验证 (PoC)，演示了源自 HLS 实时流的自动生成字幕的两种不同的端到端实现。 这个 PoC 在的博客上的博客文章“实时自适应视频语音识别”中被引用。 策略 以服务器为中心的策略是首选策略，假设您可以直接访问编码器（或仅其输出）以进行增强。 音频数据直接从编码器输出中检索，然后发送到那里进行转录。 可以通过多种方式交付成绩单，最符合规范的方式是实时WebVTT片段。 次要策略是以客户为中心的策略。 它可以在任何播放源上实现，但仍然有一个小的后端组件在使用。 音频数据从客户端的浏览器发送到后端组件，然后发送到后端组件进行转录。 一旦收到定时转录，它就会被转换为WebVTT提示，以允许浏览器提供本地渲染功能。 该策略的早期PoC可以在./archive下找到，不建议使用。 内容差异 此 PoC 旨在演示实时内容，但也可应用于 VoD（即时或一次性）