我一直在对 PortAudio 和自然语言处理进行一些实验，我想知道是否有某种方法可以将两者结合起来。我想要的是一种服务，它可以从视频中获取音频（视频格式可以是最简单的），并在播放时将其解析为文本。我知道这对于 Android 来说相当简单，但我希望它可以在计算机或笔记本电脑上运行，如果可能的话，可以实时运行。一旦我在视频中通过声卡播放语音，我已经确定了我的映射，但是我对如何实现第一部分有点迷茫。我知道 Dragon，但我更愿意使用非专有的东西来进行实际的语音到文本解析。解析器不需要完美，我可以处理拼写错误和不规则的词形。有什么想法吗？