speech-to-text

项目简介：speech-to-text

speech-to-text 是一个实时语音转文字的项目，利用了 faster-whisper 加速技术。它可以接收来自麦克风的音频输入，通过 Silero VAD （语音活动检测）识别静音部分，将完整的音频数据进行文字转换。用户可以通过基于 HTML 的图形化界面查看转录结果并对细节设置进行调整。

主要特性

• 实时转录：利用 faster-whisper 技术进行高效的语音转文字处理，语句分隔良好时转录时间不到一秒。
• 多种音频格式支持：除了直接通过麦克风录入，项目支持从 wav、mp3 和 ogg 文件中进行转录。
• 同步效果：生成音频文件并同步转录结果，音频与文本高亮显示相匹配。
• 使用 OpenAI API 校对：通过设置环境变量 OPENAI_API_KEY，转录结果可以通过 OpenAI API 进行校对。

安装说明

1. 通过命令 pip install . 安装项目所需的 Python 库。
2. 对于 Windows 用户，可以执行 run.bat 文件，进行如下操作：
   • 创建 Python 虚拟环境。
   • 安装必要的 pip 包。
   • 启动 speech-to-text 应用。

使用指南

1. 运行命令 python -m speech_to_text 启动项目。
2. 进行以下设置：
   • 应用设置：调整应用的基础参数。
   • 模型设置：配置需要使用的转录模型。
   • 转录设置：调整转录相关的参数。
   • VAD 设置：配置语音活动检测的细节。
3. 开始转录。

最新更新

• 支持“Faster Distil-Whisper”模型：项目支持更新至 faster-whisper 1.0.3 版本，并提供“large-v3”模型支持。
• 新增功能：从输入音频生成音频文件，并且将音频与文字同步。支持生成 SRT 字幕文件。

实用演示

该项目提供了一个演示，可以直观展示项目的实时转录和同步音频文字特性。

开发计划

项目计划通过下述特点不断完善：

• 保存和加载以前的配置。
• 允许在图形化界面中设置本地参数。
• 对更新版本的 faster-whisper 提供支持。

speech-to-text 项目为语音转文字提供了一种快速、便捷的解决方案，适用于需要实时语音处理的场景。项目的持续更新和功能完善为用户提供了更多样化、精准的选择。