语音转文字怎么做 python写

在 Python 中实现语音转文字（STT, Speech-to-Text）主要有两种方式：调用第三方 API（简单、准确，但可能有费用或限制）和本地部署模型（免费、隐私安全，但需要配置资源）。以下是具体实现方法：

一、使用第三方 API（以 OpenAI Whisper API 为例）

优点：准确率高、支持多语言、自动处理音频分段
缺点：需要联网、按调用量付费、有音频时长限制

步骤：

1. 安装依赖：

bash

 

 

pip install openai

 

2. 调用 API：

python

 

运行

 

 

 

 

import openai

# 设置 API 密钥
openai.api_key = "你的 OpenAI API 密钥"

def speech_to_text(audio_file_path):
    try:
        # 打开音频文件
        with open(audio_file_path, "rb") as audio_file:
            # 调用 Whisper API
            transcript = openai.Audio.transcribe("whisper-1", audio_file)
            return transcript["text"]
    except Exception as e:
        print(f"语音转文字出错: {e}")
        return None

# 使用示例
audio_path = "example.wav"  # 替换为你的音频文件路径
text = speech_to_text(audio_path)
if text:
    print("识别结果:", text)

 

二、本地部署模型（以 OpenAI Whisper 为例）

优点：免费、离线使用、隐私安全
缺点：需要较强 GPU（或等待较长时间）、模型较大

步骤：

1. 安装依赖：

bash

 

 

pip install git+https://github.com/openai/whisper.git  # 安装 Whisper
pip install torch torchaudio  # 安装 PyTorch (根据你的 CUDA 版本选择)

 

2. 运行代码：

python

 

运行

 

 

 

 

import whisper

def speech_to_text_local(audio_file_path, model_size="base"):
    try:
        # 加载模型 (可选: tiny, base, small, medium, large)
        model = whisper.load_model(model_size)
        
        # 转录音频
        result = model.transcribe(audio_file_path)
        return result["text"]
    except Exception as e:
        print(f"语音转文字出错: {e}")
        return None

# 使用示例
audio_path = "example.wav"  # 替换为你的音频文件路径
text = speech_to_text_local(audio_path, model_size="base")  # base 模型小且快
if text:
    print("识别结果:", text)

 

模型选择建议：

• tiny/base：适合快速识别，对 GPU 要求低
• medium/large：准确率更高，但需要更多资源

三、实时语音识别（麦克风输入）

如果需要实时从麦克风获取语音并转文字，可以结合 pyaudio 和 whisper：

python

 

运行

 

 

 

 

import whisper
import torch
import numpy as np
import pyaudio
from io import BytesIO

# 初始化 PyAudio
p = pyaudio.PyAudio()

# 配置录音参数
FORMAT = pyaudio.paInt16
CHANNELS = 1
RATE = 16000
CHUNK = 1024
RECORD_SECONDS = 10  # 录音时长

# 加载模型
device = "cuda" if torch.cuda.is_available() else "cpu"
model = whisper.load_model("base").to(device)

# 打开音频流
stream = p.open(format=FORMAT,
                channels=CHANNELS,
                rate=RATE,
                input=True,
                frames_per_buffer=CHUNK)

print("* 开始录音")

# 录制音频
frames = []
for i in range(0, int(RATE / CHUNK * RECORD_SECONDS)):
    data = stream.read(CHUNK)
    frames.append(data)

print("* 录音结束")

# 关闭流
stream.stop_stream()
stream.close()
p.terminate()

# 转换为 numpy 数组
audio_data = np.frombuffer(b''.join(frames), dtype=np.int16).astype(np.float32) / 32768.0

# 调整音频格式
audio_data = whisper.pad_or_trim(audio_data)
mel = whisper.log_mel_spectrogram(audio_data).to(model.device)

# 解码语音
options = whisper.DecodingOptions(language="zh", fp16=False)
result = whisper.decode(model, mel, options)

print("识别结果:", result.text)

 

四、其他第三方库推荐

1. Google Speech-to-Text API：准确率高，支持多语言
2. Microsoft Azure Speech Services：提供实时转录和自定义模型
3. DeepSpeech：Mozilla 开源的本地语音识别模型
4. SpeechRecognition：Python 库，支持多种 API（Google、Wit.ai 等）

注意事项：

1. 音频格式：通常需要 WAV/MP3 格式，采样率 16kHz 效果较好
2. 语言支持：大多数模型默认支持多语言，但可通过参数指定（如 language="zh"）
3. 性能优化：本地模型可通过量化（如 INT8）和 GPU 加速提升速度