基于fastapi和faster-whisper打造在线语音识别文字

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

  1. 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...
  2. 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

  1. 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。
  2. 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
  3. 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。

相关推荐
孙同学要努力36 分钟前
全连接神经网络案例——手写数字识别
人工智能·深度学习·神经网络
Eric.Lee202136 分钟前
yolo v5 开源项目
人工智能·yolo·目标检测·计算机视觉
其实吧32 小时前
基于Matlab的图像融合研究设计
人工智能·计算机视觉·matlab
丕羽2 小时前
【Pytorch】基本语法
人工智能·pytorch·python
ctrey_2 小时前
2024-11-1 学习人工智能的Day20 openCV(2)
人工智能·opencv·学习
SongYuLong的博客2 小时前
Air780E基于LuatOS编程开发
人工智能
Jina AI2 小时前
RAG 系统的分块难题:小型语言模型如何找到最佳断点?
人工智能·语言模型·自然语言处理
-派神-2 小时前
大语言模型(LLM)量化基础知识(一)
人工智能·语言模型·自然语言处理
johnny_hhh2 小时前
AI大模型重塑软件开发流程:定义、应用场景、优势、挑战及未来展望
人工智能
Elastic 中国社区官方博客2 小时前
释放专利力量:Patently 如何利用向量搜索和 NLP 简化协作
大数据·数据库·人工智能·elasticsearch·搜索引擎·自然语言处理