Voice Recognition_设计多媒体 skill-PHP中文网

首页专区 Skill 文章专题 AI工具学习编程手册

Seko

AI短剧一键生成成片

updream

一键生成高质量推广成片

AniShort

AI短剧协同制作平台

剧云

中文短剧剧本制作平台

PHP MySQL jquery HTML CSS

Voice Recognition

Polar Sponsor

爱发电赞助

.NET 9.0

立即下载

本地 Whisper 智能语音转文字，无需 API 密钥，完全私密，适用于音频文件和语音消息转录。

QQ 语音识别 – Smart Auto- Model Setch. 将音频写入文字, 使用本地 OpenAI Whisper.

功能概述

QQ 语音识别 – Smart Auto- Model Setch. 将音频写入文字, 使用本地 OpenAI Whisper.是一项面向实际任务的技能，主要用于不需要 API 密钥, 不需要 Internet, 100% 私有；Smart 自动选择动态选择 t。

核心要点

它将相关步骤、工具调用和结果整理方式集中到统一流程中，帮助使用者更快完成目标并减少重复操作。
使用时应结合输入条件选择合适的执行方式，核对必要参数、依赖环境与输出内容，并按原始要求处理异常情况。
从功能定位来看，该技能强调把分散的操作要求整理成清晰、可复用的处理流程，使用户能够围绕既定目标快速准备输入、选择执行方式并获得结构化结果。

使用与执行

实际使用前应先确认任务范围、数据来源、运行环境、必要权限和关键参数，再依据技能说明逐步执行；若输入条件不完整，应先补齐信息或采用保守配置，避免因错误假设导致结果偏离需求。执行过程中需要关注工具调用是否成功、接口或依赖是否可用、输出格式是否符合预期，并对异常提示、缺失字段和边界情况进行处理；

结果检查与注意事项

涉及批量任务时，还应保存进度，避免中断后重复操作。该技能适合用于一次性任务，也可以接入自动化工作流，与其他技能或上层代理配合完成更完整的业务链路；在组合使用时，应明确每一步的输入输出关系，并避免不同步骤之间出现参数冲突。

🎤 语音识别 — 智能自动模型选择

使用本地 OpenAI Whisper将音频转录为文本。无需 API 密钥，无需联网，100% 隐私保护。

智能自动选择会根据您的音频特征动态选取最优模型——您完全无需考虑该用哪个模型。

快速开始

# 自动模式 — 分析音频并自动选择最佳模型
scripts/transcribe.py voice.ogg

# 强制指定特定模型
scripts/transcribe.py voice.ogg --model small

# 指定语言（省略时自动检测）
scripts/transcribe.py voice.ogg --language zh   # 中文（普通话）
scripts/transcribe.py voice.ogg --language en   # 英语
scripts/transcribe.py voice.ogg --language yue  # 粤语

# 显示分段时间戳
scripts/transcribe.py voice.ogg --segments

# 将转录结果保存到文件
scripts/transcribe.py voice.ogg -o transcript.txt

智能自动选择

脚本会分析音频时长与复杂度，并自动选择最优模型：

音频特征	所用模型	原因
短音频（<10 秒），语音清晰	base	速度快（2–3 秒），对简单内容已足够准确。
短音频（<10 秒），混合语言	small	对语码转换（code-switching）具备更优的多语言支持能力。
中等长度（10–60 秒），语音清晰	base	兼顾速度与准确率的平衡选择。
中等长度（10–60 秒），混合语言或带口音	small	可更好处理口音及语言切换。
长音频（1–2 分钟）	small	保持上下文连贯性，同时仍具备足够响应速度。
超长音频（2 分钟以上）	medium	针对长时间录音提供最高精度。

您无需操心模型选择问题，只需传入音频即可。

安装

前提条件

Python 3.10+
pip（Python 包管理器）

通过捆绑安装器安装

python3 scripts/install.py

手动安装

pip install openai-whisper soundfile numpy
pip install torch --index-url https://download.pytorch.org/whl/cpu

使用 requirements.txt 安装

pip install -r requirements.txt
pip install torch --index-url https://download.pytorch.org/whl/cpu

注意：首次运行将下载 Whisper 模型（base 约 139MB，small 约 461MB）。后续运行直接复用缓存模型（位于 ~/.cache/whisper/），加载瞬时完成。

模型参考

模型	大小	速度	准确率	适用场景
tiny	72MB	⚡⚡⚡	⭐⭐	实时预览、极短片段
base	139MB	⚡⚡	⭐⭐⭐	通用场景（短音频的自动选择默认模型）
small	461MB	⚡	⭐⭐⭐⭐	混合语言、口音（长/复杂音频的自动选择模型）
medium	1.5GB	🐢	⭐⭐⭐⭐⭐	极致准确率、长时录音
large	2.9GB	🐢	⭐⭐⭐⭐⭐	科研级转录精度

语言支持

Whisper 支持99 种语言，包括：

🇨🇳 中文（普通话、粤语）
🇺🇸 英语
🇪🇸 西班牙语
🇯🇵 日语
🇰🇷 韩语
🇫🇷 法语
🇩🇪 德语

默认启用语言自动检测。如需更高准确率，可使用 --language 参数提供语言提示。

功能特性

功能	说明
🔒 100% 隐私保护	全部流程在本地运行，无任何数据离开您的设备。
🆓 零 API 成本	免费、无限次转录；无配额限制，无需密钥。
🌐 99 种语言支持	覆盖全球几乎所有主流语言。
🧠 智能自动模型选择	分析音频特征 → 自动选取最优模型。
⚡ 默认高效运行	短音频 → base 模型（2–3 秒）；长音频 → small/medium 模型。
🎯 按需提升准确率	面对复杂/混合音频，自动升级至更高精度模型。
📊 分段时间戳	为长录音提供句子级别的时间标记。
📁 多种格式支持	OGG、WAV、MP3、M4A、FLAC、OPUS 等格式。

支持的音频格式

格式	扩展名	说明
OGG Opus	`.ogg`	常见语音消息格式 ✅
WAV	`.wav`	无压缩、高保真音频
MP3	`.mp3`	有损压缩音频
M4A	`.m4a`	Apple / MPEG-4 音频
FLAC	`.flac`	无损压缩音频
OPUS	`.opus`	纯 Opus 流

使用示例

快速转录（自动选择模型）

$ scripts/transcribe.py meeting.ogg
📂 加载音频：meeting.ogg
⏱  时长：32.0 秒 | 采样率：16000Hz
🧠 自动选择模型：BASE
✓ 模型加载完成（1.0 秒）
🎯 正在转录...
✅ 完成（总计耗时 4.1 秒）
会议纪要：今天我们讨论三个主题。第一，项目进展...

带上下文的转录

# 中文
scripts/transcribe.py voice.ogg --language zh

# 带时间戳的英文讲座转录
scripts/transcribe.py lecture.m4a --language en --segments

# 中英混合访谈（自动检测复杂度）
scripts/transcribe.py interview.ogg

# 保存结果至文件
scripts/transcribe.py podcast.mp3 -o transcript.txt

# 强制启用高精度模型
scripts/transcribe.py important.wav --model medium

带分段时间戳的输出

$ scripts/transcribe.py message.ogg --segments
📂 加载音频：message.ogg
⏱  时长：7.5 秒 | 采样率：16000Hz
🧠 自动选择模型：BASE
✓ 模型加载完成（1.0 秒）
🎯 正在转录...
✅ 完成（总计耗时 2.4 秒）
现在我正在给小 A 发这条语音消息，你能听清我说了什么吗？

📝 分段信息：
   [0.0s - 3.6s] 现在我正在给小 A 发这条语音消息
   [3.6s - 7.4s] 你能听清我说了什么吗？

故障排查

问题	解决方案
`No module` 错误	请使用虚拟环境中的 Python： `python3 scripts/transcribe.py`，或运行 `scripts/install.py`
转录速度慢	首次运行需下载模型（约 139–461MB），缓存后即恢复正常速度。
语言识别错误	传入 `--language en` 或 `--language zh` 等参数提供语言提示
背景噪声干扰	在嘈杂环境中，请使用 `--model small` 或 `--model medium`

Token 节省示例

场景	云服务 API 成本	本功能成本	节省量
每日 10 条短语音消息	约 $0.60/天（Whisper API）	$0	∞
1 小时会议转录	约 $2.88（Deepgram）	$0	∞
项目内 1000 个音频文件	约 $50–200	$0	∞
Agent 处理语音输入	LLM tokens + API 费用	0 tokens	全额释放 LLM token 预算