Python 语音转文字中文—vosk

Vosk 简介与音频转文本实践

Vosk 是一个基于 Kaldi 的开源语音识别工具包，支持离线语音识别。其特点是轻量、高效，并支持多种语言，适用于实时语音转文本场景。

一、Vosk 的原理

1. 基础原理

Vosk 基于 Kaldi 的语音识别模型，核心流程包括：

1. 声学模型（Acoustic Model）：将音频信号转换为声学特征。
2. 语言模型（Language Model）：通过概率模型匹配可能的词序列。
3. 解码器（Decoder）：结合声学模型和语言模型生成最终的转录文本。

2. 优势

二、实践：使用 Vosk 进行音频转文本

以下示例以 Python 为例，展示如何使用 Vosk 实现音频转文本。

1. 环境准备

安装 Vosk

pip install vosk

安装音频处理库

pip install soundfile

2. 下载语言模型

3. Python 实现代码

以下代码实现了音频文件的转文本：

import wave
import json
from vosk import Model, KaldiRecognizer

# 加载 Vosk 模型
MODEL_PATH = "vosk-model-small-en-us-0.15"  # 修改为您的模型路径
model = Model(MODEL_PATH)

# 处理音频文件
def transcribe_audio(audio_path):
    # 打开音频文件
    wf = wave.open(audio_path, "rb")
    if wf.getnchannels() != 1 or wf.getsampwidth() != 2 or wf.getframerate() not in [8000, 16000]:
        raise ValueError("音频格式不支持，仅支持单声道、16位采样、8k 或 16k 采样率的音频")

    # 初始化识别器
    recognizer = KaldiRecognizer(model, wf.getframerate())

    # 转录文本
    result_text = ""
    while True:
        data = wf.readframes(4000)
        if len(data) == 0:
            break
        if recognizer.AcceptWaveform(data):
            result = json.loads(recognizer.Result())
            result_text += result.get("text", "") + " "

    # 获取最后的部分
    final_result = json.loads(recognizer.FinalResult())
    result_text += final_result.get("text", "")

    wf.close()
    return result_text

# 示例：转换音频文件
if __name__ == "__main__":
    audio_file = "test.wav"  # 替换为您的音频文件路径
    try:
        transcript = transcribe_audio(audio_file)
        print("转录结果：")
        print(transcript)
    except Exception as e:
        print(f"转换失败：{e}")

三、注意事项

1. 音频格式要求

可使用工具（如 ffmpeg）进行格式转换：

ffmpeg -i input.mp3 -ac 1 -ar 16000 -sample_fmt s16 output.wav

2. 模型选择

根据语言选择合适的 Vosk 模型。例如：

3. 性能优化

四、应用场景

1. 实时语音识别
2. 使用麦克风捕获音频并实时转文本。
3. 批量音频转录
4. 将大量音频文件转录为文本，用于内容分析或存档。
5. 智能语音助手
6. 集成 Vosk 实现离线语音识别。

五、扩展：实时语音转文本

以下代码展示如何使用麦克风实时转文本：

import pyaudio
from vosk import Model, KaldiRecognizer

# 加载模型
MODEL_PATH = "vosk-model-small-en-us-0.15"  # 修改为您的模型路径
model = Model(MODEL_PATH)

# 初始化音频流
recognizer = KaldiRecognizer(model, 16000)
p = pyaudio.PyAudio()
stream = p.open(format=pyaudio.paInt16, channels=1, rate=16000, input=True, frames_per_buffer=4000)
stream.start_stream()

print("开始实时语音识别，按 Ctrl+C 退出：")

try:
    while True:
        data = stream.read(4000, exception_on_overflow=False)
        if recognizer.AcceptWaveform(data):
            result = recognizer.Result()
            print(json.loads(result).get("text", ""))
except KeyboardInterrupt:
    print("\n结束语音识别")
finally:
    stream.stop_stream()
    stream.close()
    p.terminate()

六、总结

Vosk 提供了一种高效、轻量的离线语音转文本解决方案。通过本文示例，您可以快速上手音频文件的转录及实时语音识别，并在隐私敏感或网络受限场景下广泛应用。

作者：drebander