语音转录文字，faster-whisper 效果是很不错的，不过部署、安装、配置问题不少，尤其是需要CUDA加速时，不仅要安装CUDA 还需要额外安装cuDNN和cuBLAS等，在安装之前还要升级显卡驱动，这难到不少小白用户。基于此，利用 fastAPI和faster-whipser 搞了一个在线语音识别文字网站。使用简单，直接上传 音频、视频等即可开始识别，无需注册无需登录。
在线免费语音转文字 stt.pyvideotrans.com
实现原理
fastAPI搭建路由服务，起一个模板页面，前端使用Layui做个简单样式。
直接上传 音频、视频文件，后端将使用ffmpeg 将文件转为 wav 格式的音频，再传递给 faster-whisper 模型处理，等待识别完成后，将结果返回给前端，前端获取到结果后，将在页面渲染显示并提供下载按钮。
使用方法
准备待识别的音频或视频
- 选择想要转录为文字的音频或视频，如果背景声较大，建议预先分离出背景声，只保留单纯人声，识别效果会更好。推荐背景分离工具请查看 juejin.cn/post/734161...
- 目前限制允许上传的文件最大尺寸为 30MB，建议预先从视频里提出音频文件，单独只上传音频，这样能大幅降低尺寸，原本100MB的视频提取出音频后，可能不到30MB。
上传进行识别
点击选择文件或者直接拖拽到上传区域，然后选择"视频里的说话语言"，要特别注意，必须选择和视频里说话语言完全一致的语言，否则会出错。
选择后，点击"开始上传并识别"按钮。会自动开始上传，上传完毕后进入排队状态，右侧区域将显示当前排队情况。
识别完成后下载
当识别完成后，右侧区域将显示"已完成"字样，点击就会在下方显示当前识别出的字幕内容和字幕下载按钮。
点击可下载
特别需要注意的几点
- 音视频文件尽量干净，无背景噪声，如果有，尽量提前分离，确保人声足够清晰。
- 所选视频语言必须与视频里人类说话语言完全一致，否则无法识别
- 请等待前一个任务完成后再继续下一个
当前限制
很显然，免费服务必须有所限制，尤其是这类重资源消耗的AI服务，我的服务器资源非常有限，因此限制上传尺寸不大于30MB，上传后排队挨个处理。
如果你上传后在排队阶段不想识别了，请点击右侧删除按钮移除该任务，以减少排队数量。
