Aplicativo Web de Streaming com captura de Face e Voz

Desenvolver um piloto para uma aplicação que rode via WEB (HTML5) com as seguintes características:

1) Aplicação tem um serviço para receber um arquivo (xml / csv) contendo 3 campos: <nome>, <frase>, e gera um link;
2) ao clicar no link o usuário é direcionado para uma página contendo uma área de streaming de vídeo com a <frase> aparecendo na parte superior;
3) o usuário então fala pra câmera (celular ou computador) a <frase>, o sistema deverá enquanto o usuário fala:
3.1 ) Imagem:
a) Verificar se a imagem é um rosto. [Caso não for aparece uma mensagem na tela dizendo que ele deverá estar olhando pra a câmera];
b) Verificar se é uma pessoa real que está na frente do celular e não é uma foto ou uma gravação (liveness detection). [Caso não for aparece uma mensagem na tela dizendo que é necessário que uma pessoa real esteja de frente a câmera];
c) Capturar um quadro da foto do Streaming no início do processo, três quadros no meio, e outro no final;
d) Grava na base as 5 imagens;
3.2) Som:
d) Fazer Speech to Text da frase falada em tempo de execução no Streaming e comparar com a <Frase> [Caso não estiver correto pedir pro usuário repetir a frase];
e) Se a frase estiver correta finaliza o processo gravando o áudio da frase na base, e o texto reconhecido;
3.3) Finaliza o processo quando 3.1 e 3.2 estiverem corretos.






Importante: Os processos de análise e captura das imagens, e análise e captura do áudio deverão funcionar de forma independente e simultânea. Assim possibilitando alta-escalabilidade.

Usuários Clientes: Deverá rodar nos Browsers padrões dos celulares (Apple e Androide) e dos Computadores (Explorer e Chrome), sem nenhum download de componentes adicionais.
Plataforma de Desenvolvimento: Usar linguagem padrão de mercado como Java, C.
Integrações: Poderá usar componentes prontos como Google Text to Speech, Microsoft Azure e Amazon para agilizar o desenvolvimento.


Infra e Host: Deverá rodar com todos os componentes na nuvem e possibilitar evolução on-demand para várias conexões simultâneas. Usar Google, Amazon ou Microsoft.