リアルタイム文字起こし

Whisper

ローカルでのリアルタイム文字起こしは可能だが、APIでのリアルタイム文字起こしは実装されていない。

https://platform.openai.com/docs/guides/speech-to-text

https://www.issoh.co.jp/tech/details/2981/

AWS

WebSocketでリアルタイム文字起こしが可能か

https://docs.aws.amazon.com/ja_jp/transcribe/latest/dg/streaming-setting-up.html

https://docs.aws.amazon.com/ja_jp/transcribe/latest/dg/getting-started-sdk.html

https://docs.aws.amazon.com/ja_jp/transcribe/latest/dg/streaming.html

Google

gRPCでリアルタイム文字起こしが可能か

https://cloud.google.com/speech-to-text?hl=ja#demo

https://cloud.google.com/speech-to-text/ondevice/docs?hl=ja

https://www.perplexity.ai/search/googlenowen-zi-qi-kositegrpcte-UIPI.geTQBSriyXLb7PjPg

まとめ

• AWSやGoogleの文字起こしを使えば、リアルタイム文字起こしが可能。通信速度によるが、おそらく2,3秒でレスポンスが返ってくるはず。
• WhisperのAPIはリアルタイム文字起こしに対応していない。音声の区切り目を待ってからor一定時間待ってから音声データを送る必要があるため、発言してから最大10秒以上の遅れ。
• WhiperをAPIで使わずサーバーで立ち上げる場合はリアルタイム文字起こし可能