lintoai/linto-platform-stt-standalone-worker-streaming

流式语音转文本独立工作器镜像

镜像概述

本镜像提供一个独立运行的流式语音转文本工作器，专注于通过WebSocket（WS）端点接收并处理音频流，实时将音频数据转换为文本。无需依赖复杂的外部服务架构，可作为独立组件快速集成到需要实时语音识别功能的应用系统中。

核心功能和特性

• 流式处理：支持实时音频流处理，实现低延迟的语音到文本转换
• WebSocket通信：通过WS端点接收音频输入，简化客户端与服务端的实时数据交互
• 独立运行：无需额外依赖，可直接部署并提供服务
• 轻量高效：优化的资源占用，适合在各类环境中快速部署

使用场景和适用范围

• 实时会议转录系统
• 语音助手后端服务
• 实时字幕生成工具
• 客服通话内容实时分析
• 语音驱动的交互式应用
• 需要处理连续音频流的语音识别场景

使用方法和配置说明

基本部署

通过以下命令快速启动容器：

bash
docker run -d -p 8080:8080 --name speech-to-text-worker [镜像名称]

端口映射

默认情况下，服务通过容器内8080端口提供WebSocket服务，可通过-p参数映射到主机端口：

bash
docker run -d -p [主机端口]:8080 --name speech-to-text-worker [镜像名称]

WebSocket连接

客户端可通过以下WS URL连接到服务：

ws://[主机IP]:[主机端口]/ws/speech-to-text

环境变量配置

配置示例

指定中文识别和自定义端口：

bash
docker run -d \
  -p 9000:9000 \
  -e PORT=9000 \
  -e LANGUAGE=zh-CN \
  --name chinese-speech-worker \
  [镜像名称]

客户端数据发送格式

客户端应通过WebSocket连接发送PCM格式的音频数据（单声道，16位采样，默认***Hz），服务将实时返回识别到的文本结果。