Замечу. Что тут задача была мгновенного распознавания речи. Задержки даже в полсекунды это много. Поэтому whisper, и другие подходы совершенно не подходят для динамических игр.
Сейчас у меня ещё есть несколько набросков: зомби, приключения где бежишь вперёд и словами влияешь на врагов и предметы.
Задача исключительно в улучшении подхода для изучения новых иностранных слов. В Doom такое встраивать смысла нет.
А для полноценных 3D игр, пока нет возможности полноценно создавать импровизацию сюжета. Поэтому щупаю почву