[原创]开源VOSK引擎免费语音转文字 0编程基础也可以操作

风清扬

关键字：语音识别、语音转文字、录音转文字。

会议、课程录音需要转文字怎么办呢？最简单的办法当然都是上“讯飞听见”。上传、付费、下载结果。是的，需要付费。如果你有大量的音频内容需要进行文字识别（同时对精度要求不高）还有别的办法吗？你可以使用开源的语音识别引擎来处理这些录音。

下面我就来介绍一下如何使用VOSK API来处理你的录音。

VOSK是一个离线开源语音识别工具。它可以识别16种语言，包括中文。你可以把它看做知名语音识别引擎Kaldi ASR的一个Fork（分支）。

步骤1：安装Python3环境

前往 https://www.python.org/downloads/ 下载Windows环境版本（Python 3.8以上）。安装过程中选中“Add Python directory to 'PATH' environment variable”。选中之后，Python可以像系统自带命令一样，在所有CMD目录下运行。否则每次执行Python都需要输入它的目录位置。其他选项按默认即可。

（可选操作）步骤1a：替换下载镜像为清华大学镜像源

在命令行输入 pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

这样对于国内用户来说下载速度会更快

步骤2：安装VOSK API库

打开CMD（命令提示符）输入 pip install vosk

步骤3：配置目录并下载语音模型

在桌面创建 vosk 目录。

前往 https://alphacephei.com/vosk/models 下载中文语音模型。

或者直接点击下面的链接下载，并解压到vosk目录下。将解压出来的目录重命名为 “model”（不含引号）。

vosk-model-cn-0.1.zip
195M TBD Big narrowband Chinese model for server processing Apache 2.0

步骤4：下载ffmpeg

前往 https://github.com/BtbN/FFmpeg-Builds/releases 下载ffmpeg，并将 ffmpeg.exe 解压到桌面 vosk 目录内

步骤5：安装并打开Notepad++ (或者使用你自己的高级文本编辑器)

前往 https://notepad-plus-plus.org/downloads/ 下载 notepad++

（国内镜像：http://www.pc6.com/softview/SoftView_13941.html）

安装打开，并创建新文件，拷贝以下内容：

# 使用方法
# 拷贝语音模型到当前目录下 并命名为 'model'
# 拷贝ffmpeg.exe文件到当前目录下
# 执行 python test_ffmpeg.py speech.mp3 即可

#!/usr/bin/env python3

from vosk import Model, KaldiRecognizer, SetLogLevel
import sys
import os
import wave
import subprocess
import json

SetLogLevel(0)

if not os.path.exists("model"):
    print ("Please download the model from https://alphacephei.com/vosk/models and unpack as 'model' in the current folder.")
    exit (1)

sample_rate=16000
model = Model("model")
rec = KaldiRecognizer(model, sample_rate)

process = subprocess.Popen(['ffmpeg', '-loglevel', 'quiet', '-i',
                            sys.argv[1],
                            '-ar', str(sample_rate) , '-ac', '1', '-f', 's16le', '-'],
                            stdout=subprocess.PIPE)

f = open("result.txt", "w+")

while True:
    data = process.stdout.read(10000)
    if len(data) == 0:
        break
    if rec.AcceptWaveform(data):
        re = rec.Result()
        print(re)
        re = json.loads(re)
        f.write(re['text'] + '\n')
    else:
        print(rec.PartialResult())

f.close()

# print(rec.FinalResult())

另存为 vosk 目录下的 voice2text.py 文件。

（可选步骤）步骤4a：调试命令行

步骤4给出的代码最适合处理mp3录音文件。如果你想要处理更多形式的音频，例如实时录音，或者更多的对话模式，例如电影对白，你可以参考官方的代码，地址是 https://github.com/alphacep/vosk-api/tree/master/python/example 。

步骤4的代码就是根据官方的 test_ffmpeg.py 代码修改而来。

步骤6：运行程序并识别文字

将需要识别的mp3/wav/mp4等音视频文件拷贝至桌面的vosk目录内。例如，我需要识别的文件为 story.mp3。

进入CMD环境，输入 cd ~/Desktop/vosk 进入工作目录，然后输入 python voice2text.py story.mp3。

系统开始识别语音内容，你可以看到识别的文字在窗口内一段段显示出来。

识别效果

最终结果将存储到 vosk 目录下的 result.txt 文件内。你可以在word中进一步处理这些内容。