如何使用Python实现音频转文本（ASR语音识别）

前言

音频转文本，业内一般称为ASR（Automatic Speech Recognition，自动语音识别）。日常场景非常多：会议录音转写、采访笔录、短视频字幕提取、电话录音归档、播客文字稿生成。

Python生态有大量成熟库，不用从零训练语音模型，几行代码就能完成音频转文字。本文从环境准备、本地轻量模型、调用大模型API、批量处理，还有踩坑要点，一次性讲清楚。

提示：本文代码均可直接复制运行，适合开发、数据分析、内容从业者快速上手。

一、技术方案选型

Python做音频转写主要两条路线，按需选择：

本地离线ASR（推荐Whisper）：OpenAI开源Whisper，支持中英双语、多语种，不需要一直联网，支持wav/mp3，对电脑有一定算力要求。适合隐私敏感数据，录音文件不想上传第三方。
在线API调用：阿里云、百度、OpenAI Audio接口。优点：本地不吃算力，低配电脑也能用；缺点：音频需要上传，有费用，有网络依赖。

本文重点使用 Whisper，是目前Python语音转文字最主流的方案。

二、环境安装

基础依赖

bash 复制代码

# 安装whisper本体
pip install openai-whisper
# ffmpeg用来解析各类音频（mp3,wav,m4a）
# Windows：下载ffmpeg并配置环境变量；Linux: apt install ffmpeg；Mac: brew install ffmpeg

注意：ffmpeg是核心，缺少会直接报错无法读取音频。

Whisper内置多个模型，大小不同，按需选择：

tiny：最小，速度最快，精度一般，适合测试
base：轻量，日常测试首选
small：平衡速度和准确度，中文推荐
medium：高精度，中文效果很好，需要显存/内存更高
large：最强多语种，资源消耗大

三、最简示例：单音频转文本

python 复制代码

import whisper

# 加载模型，第一次运行会自动下载模型文件
model = whisper.load_model("base")

# 识别音频，audio可以是mp3/wav/m4a文件路径
result = model.transcribe("meeting.mp3", language="zh")

# 输出全部文本
print(result["text"])

# 输出分段带时间戳的结果（做字幕必备）
for seg in result["segments"]:
    print(f"【{seg['start']:.2f} - {seg['end']:.2f}】 {seg['text']}")

运行之后，不仅拿到完整文字，还附带每一句话的开始、结束时间，直接用来生成srt字幕文件。

四、进阶案例：批量音频转写

如果文件夹里一堆录音，批量处理代码：

python 复制代码

import os
import whisper

model = whisper.load_model("base")
audio_dir = "./audio/"
output_dir = "./output/"
os.makedirs(output_dir, exist_ok=True)

for filename in os.listdir(audio_dir):
    if filename.endswith((".mp3", ".wav", ".m4a")):
        audio_path = os.path.join(audio_dir, filename)
        print(f"正在处理：{filename}")
        res = model.transcribe(audio_path, language="zh")
        
        # 保存文本到文件
        out_name = os.path.splitext(filename)[0] + ".txt"
        with open(os.path.join(output_dir, out_name), "w", encoding="utf-8") as f:
            f.write(res["text"])
print("全部转写完成！")

五、方案2：调用在线API（以OpenAI Audio为例）

不想占用本地电脑算力，可以直接调用云端接口，适合短音频：

python 复制代码

from openai import OpenAI

client = OpenAI(api_key="你的key")

audio_file = open("meeting.mp3", "rb")
transcript = client.audio.transcriptions.create(
    model="whisper-1",
    file=audio_file,
    language="zh"
)
print(transcript.text)

优点：不用下载大模型，低配置机器也能用；缺点：音频文件上传外网，有成本，不适合涉密录音。

六、常见坑与优化技巧

音频质量影响巨大
噪音大、远距离收音、多人重叠说话，识别率会暴跌。优先使用降噪后的wav音频，采样率16000Hz最佳。
内存不足问题
medium/large模型对内存要求高，8G内存电脑尽量只用base/small。内存不够会直接OOM崩溃。
语言指定
language="zh" 手动指定中文，比自动识别速度更快，准确率更高。
长音频处理
Whisper内部会自动切割音频分片；如果几十小时超长录音，可以先使用pydub分割成小段再转写，降低失败风险。
输出字幕
segments的时间戳可以直接生成.srt字幕文件，用于剪映、播放器加载字幕。

七、适用场景总结

✅ 会议录音自动转文字

✅ 播客、音频节目生成文稿

✅ 短视频批量提取字幕

✅ 电话客服录音内容归档

✅ 采访音频整理

结语

借助Python+Whisper，我们可以低成本搭建私有化音频转文本工具，不用依赖付费网页工具。离线本地部署还能保证数据不外流，结合后续NLP还可以继续做关键词提取、情感分析、摘要总结，把语音信息变成结构化文本数据。

如果你有需求，还可以继续扩展：音频降噪、语音区分说话人（声纹分割）、自动摘要、导出word字幕文件。