Parrot 語音轉文本 API：為生產級語音代理打造的快速準確 STT

Parrot 是由 Ringg 公司推出的一款全新語音轉文本（STT）模型，旨在為生產級語音代理提供高質量服務。該產品於今日在 Product Hunt 上正式釋出，並迅速獲得了社群關注。

與大多數在乾淨音訊上表現良好但在真實場景中失效的 STT 模型不同，Parrot 專門針對語音代理實際面臨的挑戰而設計：壓縮的電話通話、印地語與英語的程式碼混合、印度口音、背景噪聲，以及那些一個詞誤聽就可能導致後續操作失敗的對話。

Parrot 的核心優勢包括：針對真實通話場景的最佳化、低延遲推理以支援更流暢的語音代理對話、內建印地語驗證和歸一化層以淨化下游工作流程，以及在開源印地語基準測試中表現出色的標準化詞錯誤率（WER）。

在釋出後的討論中，Parrot 團隊明確表示，當前模型主要針對單人呼叫場景（一個人與一個語音代理對話），能夠處理打斷、短輪次和嘈雜的通話音訊。對於多個說話者重疊對話的完整解決方案，包括說話者分離和重疊處理，目前仍在路線圖中，團隊選擇先讓即時語音代理通話變得可靠，再逐步擴充套件到多說話者場景。

關於印地語-英語程式碼混合的處理，Parrot 採用印地語感知的 tokenization 和歸一化層，確保在語言邊界處保持連續的轉錄，而不是拼接片段，從而減少下游自然語言理解的延遲。

與通用模型如 Whisper 相比，Parrot 針對流式通話、低尾延遲和嘈雜音訊進行了專門最佳化。Whisper 在離線批次轉錄方面表現出色，但在即時語音代理用例中，其延遲較高且未針對印度口音最佳化。

目前，Parrot 聚焦於印度對話場景，但歐洲語言（如西班牙語和德語）已在路線圖中。團隊正在根據生產需求逐步擴充套件語言覆蓋。

對於開發人員來說，Parrot 提供了一個專門的 API，能夠將混亂的語音轉化為更乾淨的轉錄，從而讓大語言模型（LLM）能夠有效利用這些轉錄進行下一步操作。有興趣的團隊可以嘗試並反饋他們正在構建的應用。