pyVideoTrans

Appearance

语音识别渠道：STT 本地识别工具 ​

这是什么？ ​

STT 是一个基于 Faster-Whisper 开源模型的离线本地语音识别工具，能够将视频或音频中的人声转换为文字。

核心特点：

  • 完全离线运行，无需联网
  • 支持多种输出格式：JSON、SRT 字幕、纯文字
  • 内置 base 模型，可自行下载更多模型
  • 支持 CUDA GPU 加速
  • 准确率基本等同 OpenAI 官方 API

GitHub 仓库：https://github.com/jianchang512/stt

可用模型 ​

STT 支持以下 Whisper 模型，按识别效果从低到高排列：

模型名称参数量显存需求识别效果适用场景
base74M~1GB一般快速测试、简单场景
small244M~2GB较好日常使用
medium769M~5GB好多语言识别
large1550M~10GB很好高精度识别
large-v31550M~10GB最佳最高精度要求

模型下载地址：https://github.com/jianchang512/stt/releases/tag/0.0

模型选择建议：如果显卡显存不足，建议从 base 或 small 模型开始。模型越大，识别越准确，但对硬件要求也越高。

预编译 Windows 版使用方法 ​

环境要求 ​

  • Windows 10/11 64位系统
  • 如需 GPU 加速，需要 NVIDIA 显卡并正确配置 CUDA

安装步骤 ​

  1. 下载预编译文件 访问 Releases 页面 下载最新版本的预编译包

  2. 解压文件 将下载的压缩包解压到任意位置，推荐路径不含中文和空格，例如 E:/stt

  3. 启动服务 双击 start.exe，等待浏览器自动打开本地网页界面

  4. 识别语音

    • 在网页中点击上传区域，或直接拖拽音频/视频文件到上传区域
    • 选择发声语言（中文/英文/自动检测等）
    • 选择输出格式（JSON/SRT/纯文字）
    • 选择使用的模型（已内置 base 模型）
    • 点击"立即开始识别"
    • 等待识别完成，结果将显示在页面底部文本框中

  5. GPU 加速 如果机器拥有 NVIDIA 显卡并正确配置了 CUDA 环境，将自动使用 GPU 加速识别

Linux 和 Mac 源码部署 ​

环境要求 ​

  • Python 3.9 至 3.11 版本
  • pip 包管理器
  • FFmpeg（需要手动安装）

部署步骤 ​

  1. 创建项目目录并拉取源码

    创建一个空目录（如 E:/stt），在该目录下打开命令行终端（在 Windows 资源管理器地址栏输入 cmd 并回车），然后执行：

    bash
    git clone [email protected]:jianchang512/stt.git .

  2. 创建并激活虚拟环境

    bash
    # 创建虚拟环境
python -m venv venv

# 激活环境（根据操作系统选择）
# Windows:
%cd%/venv/scripts/activate
# Linux/Mac:
source ./venv/bin/activate

  3. 安装依赖

    bash
    pip install -r requirements.txt

    提示：如果遇到版本冲突错误，可尝试使用 pip install -r requirements.txt --no-deps 跳过依赖检查

  4. 安装 FFmpeg

    • Windows：解压 ffmpeg.7z，将 ffmpeg.exe 和 ffprobe.exe 放到项目根目录
    • Linux/Mac：从 FFmpeg 官网 下载对应版本，将 ffmpeg 和 ffprobe 二进制程序放到项目根目录

  5. 下载模型

    访问 模型下载页面，根据需要下载对应模型。下载后将 .pt 文件放入项目根目录的 models 文件夹内。

  6. 启动服务

    bash
    python start.py

    等待自动打开本地浏览器窗口即可使用。

API 接口说明 ​

STT 提供 RESTful API 接口，可用于与其他工具集成。

接口地址 ​

POST {url}/api

请求参数 ​

参数名类型必填说明
file文件是音频文件（wav 格式，16kHz 采样率，单声道）
language字符串否语言代码（如 zh、en），留空则自动检测
model字符串否模型名称（如 base、small）
response_format字符串否输出格式：json、srt、text

返回格式 ​

json
{
  "code": 0,
  "data": "识别结果文本或SRT内容"
}
  • code 为 0 表示成功，1 表示失败
  • data 包含识别结果

重试机制 ​

API 支持自动重试，如果识别失败会自动重新尝试。

常见问题 ​

问题可能原因解决方法
浏览器未自动打开防火墙阻止或端口被占用手动访问 http://localhost:7860
识别结果为空音频格式不支持使用 FFmpeg 将音频转换为 wav 格式（16kHz，单声道）
识别速度很慢未启用 GPU 加速检查 CUDA 环境，确保 NVIDIA 驱动和 CUDA Toolkit 正确安装
显存不足报错显卡显存不够换用更小的模型（如 base 或 small）
依赖安装失败Python 版本不兼容确保使用 Python 3.9-3.11 版本
FFmpeg 未找到FFmpeg 未正确放置确保 ffmpeg 和 ffprobe 在项目根目录下