Доброго времени суток.
Есть решение для распознавания речи. Необходимо интегрировать в Unity.
Задача
1) в runtime (Говорим - на экране выводится текст),
Библиотеки https://alphacephei.com/vosk/index.
Github : https://github.com/alphacep/vosk-api
Работа должна осуществляться локально, качаем модели русского и английского языков, https://alphacephei.com/vosk/models
На них тестируем. Нужно предусмотреть возможность подключения других моделей.
Для подключения библиотеки к unity , скорее всего, необходимо будет собрать библиотеку отдельно, тут обсуждение - https://stackoverflow.com/questions/63407488/vosk-kaldi-offline-speech-recognition-in-unity
После выполнения первой задачи, также потребуется:
2) распознавание из загруженного файла (загружаем видео или аудио файл - на экран выводится текст из звук. дорожки файла)
3) распознавание по ссылке на файл в сети (например, вставляем ссылку на Youtube ролик - на экран выводится текст из звук. дорожки файла) .