Как надежно записывать высококачественные аудио/расшифровки из Google Meet с помощью бота (без официального API)? ⇐ Javascript

[Anonymous]

Я создаю систему, в которой бот присоединяется к звонку Google Meet и извлекает транскрипцию в реальном времени.

Сейчас я внедряю JavaScript на вкладку Meet (через бота автоматизации браузера) и очищаю подписи DOM. Это работает, но качество расшифровки очень плохое:

• Многие слова неправильны/отсутствуют
• Системные сообщения Google Meet (присоединиться/выйти/подсказки) отображаются внутри расшифровки
• Иногда отображаются только частичные подписи
• Точность очень низкая. ниже того, что сам Google Meet показывает пользователям

Google Meet не предоставляет никаких официальных API для субтитров, меток докладчиков или звука собраний, а ограничения WebRTC не позволяют напрямую записывать звук табуляции через JavaScript для бота, не являющегося человеком.
Что я хочу знать
Существует ли какой-либо надежный/бесплатный метод/метод с открытым исходным кодом для захвата высококачественный звук или стенограмма из Google Meet, когда бот присоединяется к звонку?
Подробная информация о моей среде

• Бот работает на виртуальной машине Ubuntu (облако Civo)
• Я могу запустить управляемый экземпляр Chrome (через Puppeteer или Selenium)
• Я согласен с записью звука системы/вкладок, если это возможно.
• Я хочу избегать платных API (например, Vexa, платных STT API)
• Цель – передать звук в локальный механизм STT (Whisper, WhisperX, и т. д.)

То, что я уже пробовал

• Очистка подписей DOM → плохое качество, шумные системные сообщения, смешанные с речью
• Изучение Chrome getDisplayMedia → невозможно автоматически предоставить разрешения от бота; не удается из-за требования к жестам пользователя
• Исследование внутренних компонентов WebRTC → Кажется невозможным перехватить аудиодорожки других участников из JS
• Поиск Meet API → расшифровок/аудио не существует

Мой вопросы

• Есть ли технически осуществимый способ записать звук вкладки/системы Google Meet на виртуальной машине Linux с помощью бота?
  • например, с помощью монитора PulseAudio, нулевых приемников, флагов Chrome или tabCapture
• Кто-нибудь успешно реализовал конвейер бот Google Meet → захват звука → локальная транскрипция (Whisper)?
• Существуют ли надежные подходы с открытым исходным кодом или это единственный стабильный метод записи системного звука на уровне ОС и полного обхода Meet?
• Известные ограничения с Chrome/Puppeteer + Meet, о которых мне следует знать?

Моя цель
Я не пытаюсь нарушить безопасность — я просто хочу реализовать бота, который сможет слышать звук собрания (аналогично людям), транскрибировать его локально и избегать некачественной очистки титров DOM.
Какой технический подход лучше всего подходит добиться этого?

Подробнее здесь: https://stackoverflow.com/questions/798 ... et-using-a