Python语音转文本实战实现方法与完整代码示例

离线本地语音识别（Whisper模型，无需联网）

Whisper 这款工具完全在本地离线运行，无需任何 API 密钥。它支持长音频处理与多语种翻译，但前提是你的硬件性能要跟得上。简单来说，就是用自己的机器跑模型，没有调用次数限制，也不依赖网络环境。

1. 环境搭建与依赖安装

1.1 基础依赖库

首先安装必要的库：

pip install openai-whisper
# 额外依赖（音频解码必备）
pip install ffmpeg-python

• Windows、Mac、Linux 系统均需安装 ffmpeg 并配置好环境变量。官方下载地址：ffmpeg.org/

2. 完整的离线语音转文字代码

代码非常简洁，几行即可运行：

import whisper

# 加载模型：tiny/base/small/medium/large 越小越快、精度越低
model = whisper.load_model("base")

# 语音转文本
result = model.transcribe("test.mp3")  # 支持 mp3/wav/flac 等几乎所有音频格式
print("识别结果：")
print(result["text"])

模型选择参考

核心优势

• 全程离线运行，无调用次数限制
• 支持长音频、中英文混合及嘈杂环境
• 兼容 mp3、wav、flac、m4a 等多种主流格式

实时麦克风语音转文字解决方案（在线+离线）

1. 百度API + 麦克风实时转写

如果你需要边说话边输出文字，还需要额外安装一个录音库：

pip install pyaudio

结合前面提到的百度 SDK，即可实现实时的语音转文字交互体验。

2. Whisper 实时麦克风转写

另一种方案是使用 Whisper 配合 pyaudio 实时采集音频，然后将音频片段逐段送入模型进行识别。虽然延迟上不如专业语音助手，但在个人项目中效果已经足够实用。