Vosk API 中如何正确获取语音转文字的时间戳信息

在使用 Vosk API 进行语音转文字处理时，获取精确的时间戳信息对于视频剪辑、内容分析等应用场景非常重要。本文将详细介绍如何在Python中使用Vosk API正确获取单词级别的时间戳信息。

常见问题分析

许多开发者在初次使用Vosk API时会遇到一个典型问题：虽然能够成功获取转写文本，但无法获得单词级别的时间戳信息。这通常是由于遗漏了一个关键设置步骤导致的。

解决方案

要获取单词级别的时间戳信息，必须在创建KaldiRecognizer对象后显式启用单词输出功能。具体实现方法如下：

# 创建识别器对象后添加这行代码
rec = KaldiRecognizer(model, wf.getframerate())
rec.SetWords(True)  # 关键设置：启用单词输出

完整示例代码

以下是获取时间戳信息的完整代码示例：

import os
import wave
import json
from vosk import Model, KaldiRecognizer

# 初始化模型
model = Model("vosk-model-en-us-0.42-gigaspeech")

# 打开音频文件
wf = wave.open("audio.wav", "rb")

# 创建识别器并启用单词输出
rec = KaldiRecognizer(model, wf.getframerate())
rec.SetWords(True)  # 关键设置

# 处理音频
results = []
while True:
    data = wf.readframes(4000)
    if len(data) == 0:
        break
    if rec.AcceptWaveform(data):
        result = json.loads(rec.Result())
        results.append(result)

# 获取最终结果
final_result = json.loads(rec.FinalResult())
results.append(final_result)

# 输出时间戳信息
if 'result' in final_result:
    for word in final_result['result']:
        print(f"单词: {word['word']}, 开始时间: {word['start']:.2f}s, 结束时间: {word['end']:.2f}s")

技术要点说明

1. SetWords(True)：这是获取时间戳信息的关键设置，它会告诉识别器在输出中包含单词级别的详细信息。

2. 结果结构：启用单词输出后，结果JSON中将包含"result"字段，其中每个单词对象都包含以下信息：

   • word：识别出的单词文本
   • start：单词开始时间(秒)
   • end：单词结束时间(秒)
   • conf：识别置信度(可选)

3. 音频格式要求：要获得准确的时间戳，音频文件必须是单声道、16kHz采样率的WAV格式。

应用场景

获取时间戳信息在以下场景中特别有用：

• 视频剪辑：根据特定词语快速定位视频片段
• 字幕生成：精确同步字幕与语音
• 内容分析：分析特定词语在音频中的出现频率和位置
• 语音教学：评估发音时长和节奏

通过正确设置Vosk API的单词输出功能，开发者可以轻松获取精确的时间戳信息，为各种语音处理应用提供更丰富的数据支持。