企业官网建设流程全解析

Transformers语音识别：3行代码搞定录音转文字

【免费下载链接】transformers🤗 Transformers: the model-definition framework for state-of-the-art machine learning models in text, vision, audio, and multimodal models, for both inference and training.项目地址: https://gitcode.com/GitHub_Trending/tra/transformers

开会录音一小时的乱糟糟文件，手工整理得大半天？用 Transformers 的语音识别 pipeline，3 行代码把音频转成带时间戳的文字，GPU 上 10 秒的音频不到半秒就能出结果。

先说句实话：Transformers 本身没有"声源分离"这个任务，多人同时抢话的录音靠它做不到一人一句的拆分。但单说话人的录音、需要逐句定位的转写场景，它的automatic-speech-recognitionpipeline 非常能打。

一句话讲清它

一句话：把音频丢给一个预训练好的识别模型，吐出来就是文字，还能给你每个词的时间戳。

主流方案挑这几个就够：

• whisper-base / whisper-small：多语言、鲁棒，日常转写首选
• whisper-large-v3：准确率最高，重要场合的逐字稿
• wav2vec2-base-960h：体积小，显存紧张时的轻量选择

三分钟跑通语音转文字

先装上依赖，克隆仓库：

git clone https://gitcode.com/GitHub_Trending/tra/transformers cd transformers pip install transformers torch soundfile

最小可运行代码，不到 10 行：

from transformers import pipeline import soundfile as sf # Whisper 做语音识别，一行加载 asr = pipeline("automatic-speech-recognition", model="openai/whisper-base") # 读入音频，重采样到 16kHz（Whisper 的输入要求） audio, _ = sf.read("meeting.wav", samplerate=16000) result = asr(audio) print(result["text"])

跑一次大概半分钟，主要时间花在下载模型上，之后都有缓存。想系统了解训练细节，可以看项目里的语音识别示例。

效果有多快

数字来自项目官方文档，实际快慢取决于音频长短和你的硬件：模型只加载一次，后面全是推理，越长越划算。

把转写质量拉满

三个参数最常用，什么时候调哪个看场景：

# 长录音批处理 + 时间戳 result = asr( audio, return_timestamps="word", # 每个词都带上起止时间 batch_size=16, # 分块批量推理，长音频提速关键 chunk_length_s=30, # 每块 30 秒送入模型 ) print(result["chunks"])

• batch_size：长音频会先被切成小块再逐块识别，调大它就是批量送进模型，速度明显上来
• chunk_length_s：块太短会切断句子，太长则吃显存，30 秒是常见平衡点

组合玩法：30 秒一段自动切分，逐段转写再合并，适合没有 ffmpeg 的场景：

from transformers import pipeline import numpy as np import soundfile as sf asr = pipeline("automatic-speech-recognition", model="openai/whisper-small") audio, sr = sf.read("long_meeting.wav", samplerate=16000) sec = 30 # 每段 30 秒 for i in range(0, len(audio), sec * sr): chunk = audio[i : i + sec * sr] text = asr(chunk, batch_size=8)["text"].strip() if text: print(f"[{i // sr:03d}s] {text}")

这几个坑先知道

模型下不下来？换个网络，或设置代理后再跑一次；模型下载完就存在本地缓存，不会反复拉。

识别出来全是外语？Whisper 会自动猜语种，中文环境偶尔猜错。传language="zh"手动锁定，误报率立刻降下来。

长录音跑得特别慢？加batch_size=16和chunk_length_s=30，基本是最明显的提速手段。

时间戳参数报错？return_timestamps只有 Whisper 支持，别的 seq2seq 模型会直接抛错，CTC 模型则要用"word"或"char"字符串。

最后说两句

项目路线图上，流式实时推理和小模型效率优化都在推进中，长音频场景只会越来越顺。觉得有用的话收藏这篇，有空可以翻翻 pipeline 官方文档，也欢迎提 PR 一起把生态做厚。

【免费下载链接】transformers🤗 Transformers: the model-definition framework for state-of-the-art machine learning models in text, vision, audio, and multimodal models, for both inference and training.项目地址: https://gitcode.com/GitHub_Trending/tra/transformers