实时语音转文本：speech-to-text

speech-to-text 是一个高效的实时语音识别工具，利用faster-whisper库将声音转化为文本。通过集成Sounddevice获取麦克风输入，并借助Silero VAD进行语音活动检测，有效滤除静音部分，提升识别准确性。此外，它还提供了一个基于HTML的图形用户界面，让用户能够直观查看转录结果并进行详细设置。

技术解析

该系统架构清晰（见下图），采用Silero VAD进行语音分割，然后将音频数据传给Faster-Whisper模型进行转换。Faster-Whisper是一个快速而强大的 Whisper 模型的优化实现，能够在GPU上高效运行，为实时转录提供了可能。在句子之间间隔明显的情况下，转录速度可低于一秒。

应用场景

1. 实时字幕: 在在线会议、直播或教育环境中，能实时生成字幕，帮助听障人士理解内容。
2. 智能助手: 集成到智能家居设备中，用于识别和执行用户的口头指令。
3. 语音笔记: 将语音记录快速转化成文字，便于整理和搜索。
4. 多语言交流: 作为翻译工具的基础，实现实时口语翻译。

项目特点

1. 实时性: 基于高效的模型和算法，能在短时间内完成转录。
2. GUI 易用性: 提供交互式界面，用户可调整参数以适应不同环境和需求。
3. 扩展性强: 支持从WebSocket服务器发送转录结果，例如用于直播字幕同步；也能生成SRT文件用于视频字幕制作。
4. 多格式支持: 能处理多种音频格式如wav、mp3、ogg等。
5. 文本校验: 可选配OpenAI API进行文本修正，提高转录质量。
6. 自定义配置: 用户可以保存和加载设置，方便再次使用。

安装与使用

只需一条pip install .命令即可安装。之后启动Python应用程序，通过菜单选择配置项并开始转录。对于OpenAI API的支持，记得设置OPENAI_API_KEY环境变量。

该项目持续更新，不断添加新功能和改进性能。是时候尝试这个强大的实时语音转文本工具，提升你的工作效率和用户体验吧！

[Demo链接](docs/demo.gif)

保持关注，了解更多更新动态！

• 2023-06-26 添加了音频文件生成和同步显示功能。
• 2023-06-29 现在可以从音频文件中进行转录。
• 2023-11-27 新增对“large-v3”模型的支持，以及最新版本faster-whisper的要求。

立即加入，探索speech-to-text的无限可能性！