本文发表于入职啦(公众号: ruzhila) 大家可以访问入职啦学习更多的编程实战。
实时的语音合成和识别是当前语音领域最重要的技术，最热门的GPT-4o，支持实时的语音识别和合成，但是GPT-4o是一个闭源的商业产品，延迟也比较大，现在价格还是比较贵，一分钟大概需要1美元。
我们基于sherpa-onnx 用Python实现一个实时识别语音和合成自然人声的服务，与传统的语音识别和合成服务不同，我们的服务是开源的，支持CPU和GPU。
本次的课程分为三部分：会分别讲解整个程序的结构、语音识别、语音合成，最后会讲解如何部署到服务器上。
感谢sherpa-onnx 已经将开源的模型都转化成onnx格式，并且适配了语音处理的大部分工作，我们只需要将这些模型集成到我们的服务中即可。
本课程可以学习的知识点
- Websocket, 实时的语音识别需要使用Websocket协议，这样可以实时的传输音频数据，这样可以做到边讲话边识别；
- FastAPI, 本项目基于FastAPI框架，FastAPI是一个现代的Python web框架，内置Websocket和异步支持；
- Python协程编程，不同于传统的多线程方式，Python协程是一种更加高效的并发编程方式，会讲解协程是如何交互的
- sherpa-onnx 框架的使用，sherpa-onnx是一个开源的语音识别和合成框架。
本项目已经开源到Github上，大家可以访问voiceapi 查看源码。
