实时语音转文字(基于NAudio+Whisper+VOSP+Websocket)

今天花了大半天时间研究一个实时语音转文字的程序，目的还包括能够唤醒服务，并把命令提供给第三方。

由于这方面的材料已经很多，我就只把过程中遇到的和解决方案简单说下。源代码开源在AudioWhisper: 实时语音转文字(基于NAudio+Whisper+VOSP+Websocket) (gitee.com)

这里有三点需要注意的：

1）sampleRate（采样频率）要选择16000，不要选别的，不然Whisper不兼容。

2）声音录制得到的数据是一个个块（block）,每次block大概1500byte左右。

3）WAV文件由文件头（共计45个字节）+ 长度标志+Block组+文件尾（大概6个字节）组成，可以直接看NAudio获得相关信息。

也有几点需要注意：

1）不翻墙很难从huggingface.co下载语音模型，可以从Index of / (ggerganov.com)下载

2）需要Net8 的环境，低版本包括NetFramework会卡在ProcessAsync方法上，当然可以换成Process方法

3）处理100个声音块(Block)，大概需要3~5秒时间，并不能做到给一段语音就解释这段语音，存在明显的处理性能要求，建议选择好电脑去跑。当然我这边没有从GPU等因素去眼睛了。

4）Whisper的语言包有点怪，感觉是从外国电影翻译学习的，会出现大莫名其妙的的结果，但好在不多，可以根据关键字过滤，比如它会误判存在笑，返回结果为"（笑）"。

5）存在繁体中文的情况，可以采用ChineseConverter方法进行处理。

Whisper可以的系统初始化时间相对还是可以接受的，在5~10秒左右。而VOSP初始化加载模型需要30~50秒，而且初步测试准确率很低，文字中存在空格。

需要分配多个线程，1一个线程听声音，1个线程解释翻译声音。不能把这两个线程合在一起，原因是翻译声音需要高的计算量。