本地语音转文字（Speech-to-Text）转录

您正在帮助他人对音频文件（如会议录音、语音备忘录、播客单集、电话录音等）执行语音转文字转录，全程无需上传至云端。所有音频文件均保留在用户本地设备中。系统集群会自动为每次语音转文字任务选择最优节点进行处理。

为何本地语音转文字转录至关重要

云端语音转文字 API 按分钟计费，且需将您的音频上传至第三方服务器。会议录音包含敏感的商业讨论，语音笔记承载个人思考，播客访谈则可能涉及尚未发布的原创内容——这些数据都不应离开您的内网。本地转录确保全程私密可控。

本能力将语音转文字请求智能调度至您的设备集群中。若某台机器正忙于处理一个 3 小时长的转录任务，后续语音转文字请求将自动路由至其他空闲设备。转录队列管理、节点健康监控与仪表盘可视化等功能，均基于您自有硬件实现——功能完备性媲美云端语音转文字 API，但完全运行于本地基础设施之上。

开始使用语音转文字转录

pip install ollama-herd
herd                                    # 启动转录路由服务（监听端口 11435）
herd-node                               # 在每台转录设备上运行
uv tool install "mlx-qwen3-asr[serve]" --python 3.14  # 安装语音转文字模型

启用语音转文字转录功能：

curl -X POST http://localhost:11435/dashboard/api/settings 
  -H "Content-Type: application/json" 
  -d '{"transcription": true}'

软件包：ollama-herd | 仓库地址：github.com/geeks-accelerator/ollama-herd

使用语音转文字进行音频转录

curl — 基础转录

# 对会议录音执行语音转文字转录
curl -s http://localhost:11435/api/transcribe 
  -F "audio=@meeting-recording.wav" | python3 -m json.tool

Python — 语音转文字转录

import httpx

def speech_to_text_transcription(audio_path):
    """对音频文件执行语音转文字转录。"""
    with open(audio_path, "rb") as f:
        transcription_resp = httpx.post(
            "http://localhost:11435/api/transcribe",
            files={"audio": (audio_path, f)},
            timeout=300.0,
        )
    transcription_resp.raise_for_status()
    transcription_result = transcription_resp.json()
    return transcription_result["text"]

# 执行语音转文字转录
transcription_text = speech_to_text_transcription("meeting.wav")
print(transcription_text)

带时间戳的语音转文字转录

def transcription_with_timestamps(audio_path):
    """执行语音转文字转录，并返回带时间戳的分段结果。"""
    with open(audio_path, "rb") as f:
        transcription_resp = httpx.post(
            "http://localhost:11435/api/transcribe",
            files={"audio": (audio_path, f)},
            timeout=300.0,
        )
    transcription_resp.raise_for_status()
    transcription_result = transcription_resp.json()
    for transcription_chunk in transcription_result.get("chunks", []):
        print(f"[{transcription_chunk['start']:.1f}s - {transcription_chunk['end']:.1f}s] {transcription_chunk['text']}")
    return transcription_result

转录响应格式

{
  "transcription_text": "Hello, this is a test of the speech-to-text transcription system.",
  "language": "English",
  "transcription_chunks": [
    {
      "text": "Hello, this is a test of the speech-to-text transcription system.",
      "start": 0.0,
      "end": 3.2,
      "chunk_index": 0,
      "language": "English"
    }
  ]
}

支持的音频格式

WAV、MP3、M4A、FLAC、MP4、OGG —— 即 FFmpeg 支持的所有格式。WAV 文件可通过原生快速路径获得约 25% 的转录速度提升。

语音转文字转录响应头字段

语音转文字转录模型

Qwen3-ASR —— 2026 年最先进的开源语音转文字模型。词错误率（WER）约为 5%，原生支持 Apple Silicon（通过 MLX 运行）。该 0.6B 参数量模型仅占用约 1.2GB 内存，实时因子为 0.08x（即 10 分钟音频可在约 48 秒内完成转录）。

该集群还支持以下 AI 工作负载

同一套路由服务除语音转文字外，还统一调度其余三类 AI 任务。所有接口均位于 http://localhost:11435：

大语言模型（LLM）推理

curl http://localhost:11435/v1/chat/completions 
  -H "Content-Type: application/json" 
  -d '{"model":"gpt-oss:120b","messages":[{"role":"user","content":"Hello"}]}'

图像生成

curl -o image.png http://localhost:11435/api/generate-image 
  -H "Content-Type: application/json" 
  -d '{"model":"z-image-turbo","prompt":"a sunset","width":1024,"height":1024,"steps":4}'

嵌入向量（Embeddings）

curl http://localhost:11435/api/embeddings 
  -d '{"model":"nomic-embed-text","prompt":"search query"}'

监控语音转文字转录

# 转录统计信息（最近 24 小时）
curl -s http://localhost:11435/dashboard/api/transcription-stats | python3 -m json.tool

# 集群健康状态（含语音转文字活动信息）
curl -s http://localhost:11435/dashboard/api/health | python3 -m json.tool

仪表盘地址：http://localhost:11435/dashboard —— 语音转文字队列在界面上以 [STT] 标签显示，与 LLM 和图像队列并列呈现。

完整文档

Agent Setup Guide —— 全面涵盖全部 4 类模型（含语音转文字）的参考指南，提供 Python、JavaScript 及 curl 示例代码。

安全守则

• 严禁删除或修改用户提供的用于转录的音频文件。
• 严禁将音频数据发送至任何外部服务——所有语音转文字转录均严格限定于本地执行。
• 严禁删除或修改 ~/.fleet-manager/ 目录下的任何文件。
• 若转录失败，请建议检查节点日志：tail ~/.fleet-manager/logs/herd.jsonl。
• 若未检测到可用的语音转文字模型，请建议安装：uv tool install "mlx-qwen3-asr[serve]" --python 3.14。