前端如何实现录制视频，实时文字进入输入框

Question

突然遇到了一份需求，用户在对着摄像头说话时，要实现把声音实时转文字并输出到文本框中，并且项目部署的环境下是内网，实时翻译的API永不了，有什么其他好的思路吗？请各路大佬给出建议

Answer 1

有一种方案是前端先录音，然后在内网的环境里部署一套语音识别的SDK，比如讯飞的语音识别之类的。前端通过getUserMedia API实现录音，调用接口把录音数据传给后端识别，后端返回识别出来的文字。

Answer 2

1. 可以了解下 webkitSpeechRecognition API，当然结果肯定无法让人满意的；
2. 可以借助 WASM 或/和 webGL 把训练好的神经网络模型放到网页里，用 JS 调用。

当然作为同行，我劝你还是把需求怼回去，或者趁年关跑路。