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。