haré sistema de reconocimiento de voz

El reconocimiento de voz, también conocido como reconocimiento automático de voz (ASR), reconocimiento de voz por computadora o conversión de voz a texto, es una capacidad que permite a un programa procesar el habla humana en un formato escrito. Si bien comúnmente se confunde con el reconocimiento de voz, el reconocimiento de voz se enfoca en la traducción de la voz de un formato verbal a uno de texto, mientras que el reconocimiento de voz solo busca identificar la voz de un usuario individual.

Puedo integrar OpenAI Whisper o Nvidia NeMo. Tengo experiencia con esa biblioteca. Además de estos, puedo usar la biblioteca para lo que necesites.