音频转文本转录服务（语音转文本）与API

我们公司每周处理大量音频录音——支持电话、远程访谈和内部团队会议——我们需要一个可靠的自动语音转文本转录服务。主要任务是接受常见格式的音频文件，并将其转化为准确、可读的文本。每个转录必须清楚地显示谁说了什么：发言必须按个人发言者标记，每个片段必须附有精确的时间码，以便任何行都可以与源录音中的特定时刻匹配。该系统必须能够处理俄语和英语音频，包括参与者在单一对话中切换语言的混合语言录音。

除了识别准确性外，我们还关心服务如何融入我们的工作流程。转录引擎必须通过清晰、文档齐全的API访问，以便我们的内部应用程序可以编程地发送音频、请求处理状态并检索完成的转录，而无需人工干预。我们期望正确处理长录音、背景噪音和重叠语音，以及可以存储和搜索的结构化输出。理想的承包商将使用Python实现后端，集成经过验证的语音识别模型，并提供一个在日常负载下稳定运行的解决方案，而不是一次性的脚本。请提供类似转录或音频处理项目的示例，并描述您将如何处理发言者区分和我们语言对的准确性调整。

—— 上传音频和检索转录的API端点
—— 发言者标记（区分）和单词或片段级别的时间码
—— 支持俄语、英语和混合语言录音
—— 具有文档和可测试部署的Python后端