Deepgram Nova 实时语音转写管道

要解决的问题

实时语音转写常面临两个痛点：批量处理的延迟和流程耦合。传统做法是先录音再上传，等云端返回结果，播客剪辑师和会议记录者往往要等几分钟才能拿到文本，打断工作节奏。此外，多人对话场景下，谁在说话、如何断句、何时切换语言，都需要额外工具处理。

这个技能聚焦于 实时性 和 对话结构，让语音流在传输的同时就能被转写，省去等待时间。

工作原理

核心是 Deepgram Nova-2 API 与 流式 WebSocket 的组合。语音数据通过 WebSocket 持续发送，服务端即时返回转写片段，客户端按序拼接。

• 说话人分离：自动区分不同发言人，输出带说话人标识的文本块
• 标点恢复：实时补全逗号、句号等，避免原始 ASR 输出无标点的碎句
• 语言检测：支持多语种流式输入，API 自动识别并在转写时切换
• Python SDK 集成：通过 deepgram-sdk 简化连接管理，降低手写 WebSocket 的复杂度

典型流程：音频采集 → 编码推送 → WebSocket 流 → 实时文本回调 → 业务处理（如字幕、笔记）。

适用边界

• 安装依赖上游代码：此技能无法自动提取基于源代码的安装流程，需手动配置
• 敏感场景需审查：在生产或合规环境使用前，建议查阅 Deepgram 官方文档（https://developers.deepgram.com/）
• 网络稳定性要求：WebSocket 对连接质量敏感，弱网环境可能需要重连机制

适合播客制作、实时会议记录、直播字幕等需要 低延迟文本输出 的场景。对于离线批量转写或非对话类音频，可能不是最简方案。