怎么用脚本转换音频为文字

wen 实用脚本 2026-07-29 1

用脚本批量转换音频为文字的完整指南

目录导读

为什么需要脚本转换音频为文字？
准备工作：选择适合的音频转文字工具与API
Python脚本实战：三步实现音频转文字
常见问题与优化技巧（问答环节）
批量处理与高级功能扩展
总结与最佳实践建议

为什么需要脚本转换音频为文字？

创作、会议记录、播客制作、法律取证或语言学习等场景中，将音频文件转换为文字（即语音转文字，ASR）已成为刚需，手动听写不仅耗时、易出错，而且当面对几十个甚至上百个音频文件时，人工几乎无法完成。

怎么用脚本转换音频为文字

脚本转换的核心优势在于：

效率提升：一次编写脚本，可处理任意数量的音频。
成本可控：利用开源或低成本的API，避免昂贵的商业软件。
精准控制：自动分段、标点、多语言识别，甚至支持特定术语。
可集成性：脚本可嵌入到自动化工作流（如RPA、数据处理管道）中。

问：我完全没有编程基础，能学会用脚本转换音频吗？ 答：完全可以，本文提供可直接运行的Python脚本示例，你只需复制代码、安装必要库、修改文件路径即可，如果你连Python都不会，可以参考文末“零基础替代方案”部分。

准备工作：选择适合的音频转文字工具与API

在动笔写脚本前,你需要选择一个语音识别引擎，常见选项对比如下：

工具/API	免费额度	识别精度	支持语言	特点
Google Speech-to-Text	每月60分钟免费	高	125+	需要Google Cloud账号
百度语音识别	每日50000次免费调用	高（中文优先）	60+	中文识别极佳，兼容性好
OpenAI Whisper	完全免费（本地运行）	极高	99+	支持多语言+翻译，可离线
讯飞语音识别	每月5小时免费	很高（中文）	主要中文	中文场景下行业领先
Vosk	完全免费（本地运行）	中高	20+	轻量级，无需联网，支持离线

推荐首选：OpenAI Whisper（本地开源，免费无限制，质量顶级）或 百度语音识别（中文业务场景性价比最高）。

安装关键库（以Whisper为例）

pip install openai-whisper  # 安装核心库
pip install ffmpeg-python   # 音频处理依赖（可选但推荐）

Whisper会自动安装PyTorch等依赖,如果你没有GPU，使用CPU模式也能运行，只是速度慢一些。

Python脚本实战：三步实现音频转文字

步骤1：单文件音频转文字（基础版）

创建一个名为 audio_to_text.py 的文件，写入以下代码：

import whisper
# 加载模型（支持 tiny/base/small/medium/large，精度依次递增）
model = whisper.load_model("base")
# 音频文件路径（支持mp3,wav,m4a,ogg等）
audio_path = "meeting_recording.mp3"
# 进行语音识别，返回包含文本的字典
result = model.transcribe(audio_path, language="zh")  # language可指定，如"zh", "en"
# 提取文字内容
transcript = result["text"]
# 保存到txt文件
with open("output.txt", "w", encoding="utf-8") as f:
    f.write(transcript)
print("转换完成！输出文件：output.txt")
print(transcript[:200] + "..." if len(transcript) > 200 else transcript)

运行方法：在终端执行 python audio_to_text.py，等待进度条走完即可。

步骤2：自动分段并添加时间戳（进阶版）

转录会议或讲座时,时间戳和分段至关重要，以下是增强版脚本：

import whisper
from whisper.utils import get_writer
model = whisper.load_model("small")
audio_file = "lecture.mp3"
# 生成带时间戳的转录结果
result = model.transcribe(audio_file, 
                         language="zh", 
                         word_timestamps=True,  # 获取逐词时间戳
                         vad_filter=True)       # 过滤静音区域
# 使用官方writer输出SRT字幕格式（最常用）
srt_writer = get_writer("srt", ".")
srt_writer(result, audio_file)
print("字幕文件已生成：lecture.srt")

你还可以输出VTT、TXT、JSON等多种格式，SRT文件可以直接导入视频编辑软件或播放器。

问：如何让识别结果包含标点符号？ 答：Whisper默认生成带标点的自然文本，无需额外设置，如果使用其他APIL如百度，需在请求中开启 enable_punctuation 参数。

步骤3：批量处理整个文件夹的音频

当你有100个音频文件时,手动修改路径不现实，以下是批量处理脚本：

import os
import whisper
from pathlib import Path
model = whisper.load_model("medium")  # 推荐medium平衡速度与精度
# 设置输入和输出目录
input_dir = "audio_files"
output_dir = "transcripts"
Path(output_dir).mkdir(exist_ok=True)
# 支持的音频格式
supported_formats = ('.mp3', '.wav', '.m4a', '.ogg', '.flac')
# 遍历输入目录
for audio_file in os.listdir(input_dir):
    if audio_file.lower().endswith(supported_formats):
        audio_path = os.path.join(input_dir, audio_file)
        print(f"正在处理: {audio_file}")
        try:
            result = model.transcribe(audio_path, language="zh")
            # 以原文件名保存txt
            output_file = os.path.join(output_dir, 
                                      Path(audio_file).stem + ".txt")
            with open(output_file, "w", encoding="utf-8") as f:
                f.write(result["text"])
            print(f"✔️ 已保存: {output_file}")
        except Exception as e:
            print(f"❌ 处理 {audio_file} 时出错: {e}")
print("全部转换完成！")

常见问题与优化技巧（问答环节）

Q1：音频质量差、噪音大，识别不准怎么办？

答：使用以下预处理技巧：

静音检测：vad_filter=True 参数可过滤空白片段。
音频降噪：安装 noisereduce 库，在转录前对音频进行降噪。
分段处理：长音频（超过30分钟）先使用 ffmpeg 切割，再分别转录。

示例降噪代码片段：

import noisereduce as nr
import soundfile as sf
from scipy.io import wavfile
# 读取音频
rate, data = wavfile.read("noisy_audio.wav")
# 降噪
reduced_noise = nr.reduce_noise(y=data, sr=rate)
# 保存
wavfile.write("clean_audio.wav", rate, reduced_noise)

Q2：中文和英文混杂的音频如何准确识别？

答：使用Whisper的多语言模型（large或 medium），无需指定语言，Whisper会自动检测并混用多种语言，如果你想强制中文优先，可使用 language="zh"，它会尽力将英文部分也识别为拼音或英文单词。

Q3：脚本运行速度太慢，有没有加速方法？

答：

改用 tiny 或 base 模型：精度略有下降，但速度提升5-10倍。
GPU加速：确保安装了CUDA版本的PyTorch，Whisper自动使用GPU。
并行处理：使用 multiprocessing 库同时处理多个音频。
音频压缩：将音频采样率降低到16000Hz（Whisper默认期望的采样率），可减少计算量。

Q4：使用百度或Google的API，脚本需要怎么写？

答：以百度语音识别为例（需要先创建应用获取 APP_ID, API_KEY, SECRET_KEY）：

from aip import AipSpeech
client = AipSpeech(APP_ID, API_KEY, SECRET_KEY)
with open("audio.pcm", "rb") as f:
    audio_data = f.read()
result = client.asr(audio_data, 'pcm', 16000, {
    'dev_pid': 1536,  # 普通话混合英文
})
if result['err_no'] == 0:
    print(result['result'][0])
else:
    print(f"错误代码：{result['err_no']}")

注意百度要求音频格式为PCM（16kHz, 16bit, 单声道），需先用ffmpeg转换。

批量处理与高级功能扩展

自动生成会议纪要

在转录基础上,调用文本摘要API（如OpenAI GPT或本地模型），自动提取要点：

# 简单示例：提取长文本的前3条关键句
import re
def extract_key_points(text, num=3):
    sentences = re.split(r'[。！？]', text)
    # 按长度排序取最长的（通常信息量最大）
    key_points = sorted(sentences, key=len, reverse=True)[:num]
    return key_points
key_points = extract_key_points(transcript)
for i, point in enumerate(key_points, 1):
    print(f"要点{i}: {point}")

实时转写（流式语音转文字）

使用Whisper的流式处理库 whisper-live 或百度实时API，实现边录音边转文字，适合会议直播字幕生成。

集成到Web应用

将脚本封装为Flask或FastAPI接口,用户上传音频后返回文字，实现SaaS服务雏形。

总结与最佳实践建议

小文件用Whisper本地，大文件用百度API：本地跑免费但耗电，云端API适合企业级稳定需求。
始终保存原始音频：脚本出错时可重新处理，避免重复上传/转码。
定期更新库版本：Whisper和各大API都在不断优化，新版本通常有更好精度。
文本后处理：转录后运行拼写检查、格式化标点、去除重复词等，使输出更优雅。
安全合规注意：如果音频涉及隐私数据，务必使用本地模型（Whisper/Vosk）或数据脱敏。

无论你选择哪个工具,脚本的核心思想是：自动化取代重复劳动，编程提升生产效率，希望本文能帮你从繁琐的听写工作中解放出来，把时间花在更有创造力的任务上。

有何问题？ 欢迎在评论区留言交流，或分享你遇到的独特音频处理场景！