语音转文本工具

一个功能强大的语音转文本工具，支持单文件和批量转录，集成了多种语音识别模型和AI摘要功能。

功能特点

• 多模型支持：集成了Whisper和FunASR两种主流语音识别模型
• 单文件转录：支持单个音频文件的转录，并提供实时进度显示
• 批量转录：支持批量处理多个音频文件，自动保存转录结果
• AI摘要：集成Ollama和自定义API接口，可对转录文本生成摘要
• 多种格式：支持MP3、WAV、M4A、FLAC、OGG等多种音频格式
• 友好界面：简洁直观的图形用户界面，易于操作
• 命令行支持：提供命令行接口，方便脚本集成和自动化处理
• API服务：内置REST API服务，可作为独立的语音识别服务器

安装方法

环境要求

• Python 3.8+
• PyTorch 2.0+
• CUDA (可选，用于GPU加速)

安装步骤

1. 克隆仓库

git clone https://github.com/prog-le/speech2txt.git
cd speech2txt

2. 安装依赖

pip install -r requirements.txt

3. 运行应用

python speech_to_text_ui.py

使用说明

图形界面使用

单文件转录

1. 切换到"单文件转录"标签页
2. 点击"浏览..."选择音频文件
3. 设置输出文件路径或使用默认路径
4. 点击"开始转录"按钮
5. 等待转录完成，结果将显示在文本框中并保存到指定文件

批量转录

1. 切换到"批量转录"标签页
2. 点击"浏览..."选择包含音频文件的目录
3. 设置输出目录或使用默认目录
4. 点击"开始转录"按钮
5. 等待所有文件转录完成，结果将保存到指定目录

AI摘要生成

1. 切换到"AI摘要"标签页
2. 选择AI模型类型（Ollama或自定义API）
3. 配置模型参数
4. 在文本框中输入或加载要摘要的文本
5. 设置摘要长度和语言
6. 点击"生成摘要"按钮
7. 查看生成的摘要，可选择保存到文件

命令行使用

单文件转录：

python speech_to_text_cli.py -i input.mp3 -o output.txt -m whisper --whisper-size base

批量转录：

python speech_to_text_cli.py -i input_dir -o output_dir -m whisper --whisper-size base --batch

使用FunASR模型：

python speech_to_text_cli.py -i input.mp3 -o output.txt -m funasr --funasr-model paraformer-zh

API服务使用

启动API服务：

python speech_to_text_api.py --host 0.0.0.0 --port 5000

转录API调用示例：

curl -X POST -F "file=@audio.mp3" -F "model_type=whisper" -F "model_size=base" http://localhost:5000/api/transcribe

模型配置

Whisper模型

• 模型大小：tiny, base, small, medium, large
• 语言：自动检测，默认中文

FunASR模型

• 模型名称：paraformer-zh, paraformer-zh-streaming
• 模型版本：v2.0.4
• 功能选项：VAD, 标点, 说话人识别

AI摘要模型

• Ollama：支持本地部署的开源大语言模型
• 自定义API：支持OpenAI兼容的API接口

常见问题

Q: 如何提高转录准确率？ A: 对于Whisper模型，选择更大的模型（如medium或large）通常能提高准确率。对于中文内容，FunASR的paraformer-zh模型通常有更好的表现。

Q: 转录速度慢怎么办？ A: 如果有CUDA支持的GPU，程序会自动使用GPU加速。对于长音频，可以尝试使用FunASR的streaming模型，或者Whisper的tiny/base模型以提高速度。

Q: 支持哪些音频格式？ A: 支持大多数常见音频格式，包括MP3、WAV、M4A、FLAC、OGG等。如果遇到不支持的格式，可以使用ffmpeg先转换为WAV格式。

贡献指南

欢迎贡献代码、报告问题或提出新功能建议！请遵循以下步骤：

1. Fork本仓库
2. 创建您的特性分支 (git checkout -b feature/amazing-feature)
3. 提交您的更改 (git commit -m 'Add some amazing feature')
4. 推送到分支 (git push origin feature/amazing-feature)
5. 开启一个Pull Request

许可证

本项目采用MIT许可证 - 详见 LICENSE 文件

致谢

• OpenAI Whisper - 提供强大的语音识别模型
• FunASR - 提供高性能中文语音识别模型
• Ollama - 提供本地大语言模型部署方案
• PySide6 - 提供GUI框架