AudioMind

基于 Whisper 和 Ollama 构建的智能音视频转录系统

🎯 快速提取音视频内容，智能优化转录文本，支持多语言识别和AI增强处理

核心技术栈:

• OpenAI Whisper - 高精度语音识别
• Ollama - 本地大语言模型服务
• FunASR - 阿里达摩院语音识别引擎
• Flask - 轻量级Web框架

🌟 效果展示

音视频智能转录

AI文本优化

✨ 核心功能

• 🎯 多格式支持: MP3、WAV、MP4、AVI、MOV等主流音视频格式
• 🤖 双引擎转录: Whisper + FunASR 双重保障，提升识别准确率
• 🧠 AI智能优化: 集成Ollama本地大模型，智能重新编排和翻译文本
• 🌍 多语言识别: 支持60+种语言，包括中英日韩等主流语言
• 📊 实时进度: 可视化转录进度，支持任务状态监控
• 💾 多格式输出: TXT、DOC、SRT字幕等多种格式导出
• 🔄 批量处理: 支持文件夹批量上传，提升工作效率
• 🎛️ 现代界面: 响应式Web设计，支持拖拽上传和移动端访问
• 📦 开箱即用: 包含预训练模型，一键启动无需额外配置

🚀 快速开始

一键启动（推荐）🚀

# 克隆项目
git clone https://github.com/Noisecho/AudioMind.git
cd AudioMind

# 一键启动（自动检查环境和依赖）
python start_optimized.py

启动脚本会自动完成：

• ✅ Python环境检查（需要3.8+）
• ✅ 依赖包自动安装
• ✅ FFmpeg环境检测
• ✅ Ollama服务检查
• ✅ 目录结构创建
• ✅ Web服务启动

Docker部署（生产环境）🐳

# 下载配置文件
curl -fsSL https://raw.githubusercontent.com/Noisecho/AudioMind/main/docker-compose.yml -o docker-compose.yml

# 启动服务
docker-compose up -d

服务启动后，访问 http://localhost:5000

方法二：手动安装

1. 环境要求

• Python: 3.8或更高版本
• FFmpeg: 用于处理视频文件
• Ollama: 用于文本优化和翻译（可选）

2. 安装Python依赖

pip install -r requirements.txt

3. 安装FFmpeg

Windows:

# 使用winget
winget install FFmpeg

# 或下载安装包
# 访问 https://ffmpeg.org/download.html

macOS:

brew install ffmpeg

Linux:

# Ubuntu/Debian
sudo apt update && sudo apt install ffmpeg

# CentOS/RHEL
sudo yum install ffmpeg

4. 安装Ollama（可选）

访问 https://ollama.ai 下载安装Ollama

安装推荐模型：

# 安装轻量级模型
ollama pull llama3.2

# 或安装其他模型
ollama pull qwen2.5
ollama pull gemma2

5. 启动应用

python app.py

📁 项目结构

音视频转文本WebUI/
├── app.py                 # 主应用文件
├── config.py              # 配置文件
├── start_optimized.py     # 优化版启动脚本
├── requirements.txt       # Python依赖
├── templates/
│   └── index.html        # Web界面
├── uploads/              # 上传文件目录
├── results/              # 转录结果目录
├── models/               # Whisper模型存储目录
├── logs/                 # 日志文件目录
└── static/               # 静态资源目录

🎛️ 使用说明

1. 访问Web界面

启动应用后，在浏览器中访问：http://localhost:5000

2. 上传文件

• 交互式上传: 拖拽文件到上传区域或点击选择文件
• 批量处理: 选择文件夹进行批量上传

3. 配置转录参数

• Whisper模型: 选择合适的模型（推荐small或medium）
• 语言: 选择音频语言或使用自动识别
• LLM优化: 启用文本重新编排功能
• 输出格式: 选择TXT或DOC格式

4. 开始转录

点击"开始转录"按钮，系统会显示详细的进度信息：

• 25%: 模型加载完成
• 50%: 开始音频转录
• 70%: 转录完成，开始文本处理
• 80%: 文本重新编排（如果启用）
• 90%: 文本翻译（如果需要）
• 100%: 转录完成

5. 下载结果

转录完成后，可以直接下载结果文件或在界面中预览。

⚙️ 配置说明

Whisper模型选择

模型	大小	内存占用	速度	准确度	推荐用途
tiny	39MB	~1GB	最快	较低	快速测试
base	74MB	~1GB	快	一般	日常使用
small	244MB	~2GB	中等	良好	推荐中文
medium	769MB	~5GB	慢	很好	高质量需求
large	1550MB	~10GB	最慢	最好	专业用途

文件存储位置

• Whisper模型: ./models/ 目录
• 上传文件: ./uploads/ 目录
• 转录结果: ./results/ 目录
• 日志文件: ./logs/ 目录

所有文件都保存在项目目录内，便于管理和备份。

🔧 故障排除

常见问题

Q: 提示"FFmpeg未安装" A: 请按照上述说明安装FFmpeg，或只使用音频文件（MP3、WAV等）

Q: Ollama服务连接失败 A: 确保Ollama服务正在运行，或在设置中禁用LLM功能

Q: 内存不足错误 A: 尝试使用更小的Whisper模型（tiny或base）

Q: 转录速度很慢 A: 使用更小的模型或确保有足够的系统资源

Q: 清空队列按钮不工作 A: 已在优化版中修复，确保使用最新版本

日志查看

应用日志保存在 ./logs/app.log 文件中，可以查看详细的错误信息。

🆕 优化版改进

相比原版，优化版包含以下改进：

1. 🏗️ 模块化配置: 统一的配置管理，便于维护
2. 📝 完善日志: 详细的日志记录，便于调试
3. 🔒 线程安全: 改进的模型加载机制
4. 🛡️ 错误处理: 更健壮的错误处理和恢复
5. 📊 进度优化: 更准确的进度显示
6. 🧹 清理功能: 修复清空队列功能
7. 📁 文件管理: 统一的文件存储位置
8. 🚀 启动脚本: 自动化的环境检查和依赖安装

📄 许可证

本项目基于MIT许可证开源。

🤝 贡献

欢迎提交Issue和Pull Request来改进这个项目！

---

享受使用音视频转文本WebUI！ 🎉