GitHub | 您所在的位置:网站首页 › 会议语音转文字的app免费 › GitHub |
English / 捐助本项目 / Discord / Q群 905581228 语音识别转文字工具这是一个离线运行的本地语音识别转文字工具,基于 fast-whipser 开源模型,可将视频/音频中的人类声音识别并转为文字,可输出json格式、srt字幕带时间戳格式、纯文字格式。可用于自行部署后替代 openai 的语音识别接口或百度语音识别等,准确率基本等同openai官方api接口。 部署或下载后,双击 start.exe 自动调用本地浏览器打开本地网页。 拖拽或点击选择要识别的音频视频文件,然后选择发声语言、输出文字格式、所用模型(已内置base模型),点击开始识别,识别完成后以所选格式输出在当前网页。 全过程无需联网,完全本地运行,可部署于内网 fast-whisper 开源模型有 base/small/medium/large-v3, 内置base模型,base->large-v3识别效果越来越好,但所需计算机资源也更多,根据需要可自行下载后解压到 models 目录下即可。 全部模型下载地址 视频演示 cn-stt.mp4点击此处打开Releases页面下载预编译文件 下载后解压到某处,比如 E:/stt 双击 start.exe ,等待自动打开浏览器窗口即可 点击页面中的上传区域,在弹窗中找到想识别的音频或视频文件,或直接拖拽音频视频文件到上传区域,然后选择发生语言、文本输出格式、所用模型,点击“立即开始识别”,稍等片刻,底部文本框中会以所选格式显示识别结果 如果机器拥有英伟达GPU,并正确配置了CUDA环境,将自动使用CUDA加速 源码部署(Linux/Mac/Window)要求 python 3.9->3.11 创建空目录,比如 E:/stt, 在这个目录下打开 cmd 窗口,方法是地址栏中输入 cmd, 然后回车。 使用git拉取源码到当前目录 git clone [email protected]:jianchang512/stt.git . 创建虚拟环境 python -m venv venv 激活环境,win下命令 %cd%/venv/scripts/activate,linux和Mac下命令 source ./venv/bin/activate 安装依赖: pip install -r requirements.txt,如果报版本冲突错误,请执行 pip install -r requirements.txt --no-deps ,如果希望支持cuda加速,继续执行代码 pip uninstall -y torch, pip install torch --index-url https://download.pytorch.org/whl/cu121 win下解压 ffmpeg.7z,将其中的ffmpeg.exe和ffprobe.exe放在项目目录下, linux和mac 自行搜索 如何安装ffmpeg 下载模型压缩包,根据需要下载模型,下载后将压缩包里的文件夹放到项目根目录的 models 文件夹内 执行 python start.py ,等待自动打开本地浏览器窗口。 Api接口接口地址: http://127.0.0.1:9977/api 请求方法: POST 请求参数: language: 语言代码:可选如下 > > 中文:zh > 英语:en > 法语:fr > 德语:de > 日语:ja > 韩语:ko > 俄语:ru > 西班牙语:es > 泰国语:th > 意大利语:it > 葡萄牙语:pt > 越南语:vi > 阿拉伯语:ar > 土耳其语:tr > model: 模型名称,可选如下 > > base 对应于 models/models--Systran--faster-whisper-base > small 对应于 models/models--Systran--faster-whisper-small > medium 对应于 models/models--Systran--faster-whisper-medium > large-v3 对应于 models/models--Systran--faster-whisper-large-v3 > response_format: 返回的字幕格式,可选 text|json|srt file: 音视频文件,二进制上传Api 请求示例 import requests # 请求地址 url = "http://127.0.0.1:9977/api" # 请求参数 file:音视频文件,language:语言代码,model:模型,response_format:text|json|srt # 返回 code==0 成功,其他失败,msg==成功为ok,其他失败原因,data=识别后返回文字 files = {"file": open("C:/Users/c1/Videos/2.wav", "rb")} data={"language":"zh","model":"base","response_format":"json"} response = requests.request("POST", url, timeout=600, data=data,files=files) print(response.json()) CUDA 加速支持安装CUDA工具 详细安装方法 如果你的电脑拥有 Nvidia 显卡,先升级显卡驱动到最新,然后去安装对应的 CUDA Toolkit 和 cudnn for CUDA11.X。 安装完成成,按Win + R,输入 cmd然后回车,在弹出的窗口中输入nvcc --version,确认有版本信息显示,类似该图
然后继续输入nvidia-smi,确认有输出信息,并且能看到cuda版本号,类似该图
如果没有英伟达显卡或未配置好CUDA环境,不要使用 large/large-v3 模型,可能导致内存耗尽死机 中文在某些情况下会输出繁体字 有时会遇到“cublasxx.dll不存在”的错误,此时需要下载 cuBLAS,然后将dll文件复制到系统目录下,点击下载 cuBLAS,解压后将里面的dll文件复制到 C:/Windows/System32下 如果控制台出现"[W:onnxruntime:Default, onnxruntime_pybind_state.cc:1983 onnxruntime::python::CreateInferencePybindStateModule] Init provider bridge failed.", 可忽略,不影响使用 默认使用 cpu 运算,如果确定使用英伟达显卡,并且配置好了cuda环境,请修改 set.ini 中 devtype=cpu为 devtype=cuda,并重新启动,可使用cuda加速 尚未执行完毕就闪退 如果启用了cuda并且电脑已安装好了cuda环境,但没有手动安装配置过cudnn,那么会出现该问题,去安装和cuda匹配的cudnn。比如你安装了cuda12.3,那么就需要下载cudnn for cuda12.x压缩包,然后解压后里面的3个文件夹复制到cuda安装目录下。具体教程参考 https://juejin.cn/post/7318704408727519270 如果cudnn按照教程安装好了仍闪退,那么极大概率是GPU显存不足,可以改为使用 medium模型,显存不足8G时,尽量避免使用largev-3模型,尤其是视频大于20M时,否则可能显存不足而崩溃 相关联项目视频翻译配音工具:翻译字幕并配音 声音克隆工具:用任意音色合成语音 人声背景乐分离:极简的人声和背景音乐分离工具,本地化网页操作 致谢本项目主要依赖的其他项目 https://github.com/SYSTRAN/faster-whisper https://github.com/pallets/flask https://ffmpeg.org/ https://layui.dev |
CopyRight 2018-2019 实验室设备网 版权所有 |