yin

考虑到unimrcp使用不方便，我们开始寻求自研mrcp协议、sip等。   之前开源了 client版本。https://github.com/laoyin/java-sip-mrcp GitHub - laoyin/java-sip-mrcp: java版本的mrcp服务，实现sip、mrcp等协议，实现实时语音流处理、回调等。java版本的mrcp服务，实现sip、mrcp等协议，实现实时语音流处理、回调等。. Contribute to laoyin/java-sip-mrcp development by creating an account on GitHub.GitHublaoyin 最近我们逐步完善了 mrcp-server版本，做大量代码测试等。 自研java版本mrcp-server_哔哩哔哩_bilibilihttps://github.com/laoyin/java-sip-mrcp， 基于此实现了server，用于和freeswitch进行asr交互。Java SIP

有群友询问如何进行监听和会写媒体。 很多人根据我的文档和文章知道了使用media bug，但是有几个回调有疑虑。 我这边出一个源码的细则，大家便非常清楚了。 类型解释 SWITCH_ABC_TYPE_INIT 初始化 close 关闭这里不再赘述 SWITCH_ABC_TYPE_WRITE_REPLACE： 将读取的进行替换 SWITCH_ABC_TYPE_WRITE_REPLACE： 写出时候，可以进行媒体替换 代码样例 那么你如何进行读取和写出时候进行替换呢？ 我们看一部分代码 static switch_bool_t replace_callback(switch_media_bug_t *bug, void *user_data, switch_abc_type_t type) { displace_

关于cdr，只要涉及freeswitch，都关心cdr存储和处理。 如果现有的cdr你自己不满意，如何自定义呢？ 我们参考freeswitch mod_json_cdr 来看看源码如何实现的。 源码只有几百行，特别适合初学者学习。 /* * FreeSWITCH Modular Media Switching Software Library / Soft-Switch Application * Copyright (C) 2005-2014, Anthony Minessale II * * Version: MPL 1.1 * * The contents of this file are subject to the Mozilla Public License Version * 1.1 (the "License"); you may not

安装： 要在 Ubuntu 上安装 Kamailio，你可以按照以下步骤进行： 1. 打开终端。 2. 更新软件包列表： bashCopy code sudo apt update 1. 安装 Kamailio 及其附加组件： bashCopy code sudo apt install kamailio kamailio-mysql-modules kamailio-tls-modules kamailio-websocket-modules 这将安装 Kamailio 主程序以及一些常用的模块，如 MySQL 数据库支持、TLS（Transport Layer Security）支持和 WebSocket 支持。 1. 完成安装后，编辑 Kamailio 的配置文件。主配置文件位于 /etc/kamailio/kamailio.

上一讲，我们讲到通过ner命名实体识别，实现信息提取。 当我们分析完用户说的话，提取出对应的名称，接下来就是问题的重中之重。 如果用户说的内容asr翻译的是李命薄，或者用户不记得对方名字，只有他的昵称。鸵鸟。我们如何去解决这类问题。 多种方案 1：使用es做相似查询搜索 es及elasticsearch，熟悉es的人清楚，es将文本内容解析成token之后，使用倒排索引方式存储。 如果我们使用es进行相似匹配，效果可能不好，因为姓名此类，如何使用分词呢？按字分词检索？ 2：使用词向量来做相似匹配。 我个人采用词向量方式。 什么是词向量，embedding 最近大模型爆火，很多人使用chatgpt，或者其他开源大模型时候，经常接触embedding。就是将文本转化为可以计算的向量。 词向量-可以使用对汉字的词向量，方式很多。 可以调用chatgpt的embedding接口 可以使用bert-embedding方式，甚至可以使用Word2vec等等经典方式处理。 解析出对应的embedding向量之后，将向量存储起来，形成embedding库

客户有这样的需求，公司500-1000名员工，通过姓名、昵称转接给当事人。 初看觉得是个简单问题，提取姓名+匹配即可。 你期望的而输入 query == 姓名，然后做匹配。 真实情况可能是： A： query== 帮我转接给李鬼（姓名） B： query== 那个叫李奎的帮我转接 C： query== 帮我转给黑旋风 ……………… 所以，这个简单的需求，其实是ner命名实体识别+多维相似匹配。 ner命名实体识别，我们可以采用bert等+crf来实现。 对应提取的姓名而言，这只是实现了第一步。 现在需要将姓名和近1000个进行相似匹配。 实现了相似匹配还需要考虑一个问题，1000个姓名，包含了n个昵称。 同时，还得考虑asr转写之后的口音问题。 我们下一篇文章来介绍，我是如何处理的。