Python实现离线音频转文字（时间分隔+区分说话人）

Python实现离线音频转文字（时间分隔+区分说话人）

---

前言

• 前阵子因工作原因，需要将一些录音文件转为文字，方便后续记录和摘要。在尝试付费使用了一些成熟的语音识别转写APP后，偶然发现讯飞开放平台有5小时免费时长可领取使用。
• 虽是免费，但是需要自己编写代码进行使用，于是参考了官网的API使用说明，自己实现了一个python版本的离线音频转写，默认支持普通话和英语。

领取转写时长

• 浏览器打开讯飞开放平台首页：https://www.xfyun.cn/，点击“语音识别”→“语音转写”，进入语音转写模块页面。
• 完成新用户的注册登录认证后，即可领取免费时长。
• **注意：**因为我们要实现的是离线音频上传后转写为文字，所以领取免费时长时领的是“语音转写”，而不是“语音听写”。

创建个人应用

• 注册登录并领取免费时长后，右上角点击“控制台”，进入控制台页面，并创建一个新应用。
• 
• 创建应用后，进入应用管理页面，点击“语音转写”模块，获取APPID和密钥，后面代码运行要用到这两个参数。
• 

运行Python代码

运行环境

• Python3.7
• 需要特别注意的依赖库：requests==2.21.0

解决思路

• 参考讯飞开放平台上的接口说明和使用demo，输入APPID和密钥后，可访问对应的语音转写接口API，得到转写后的文字数据。
• 返回数据中包括每一句话的起始点、结束点、说话人、文字内容，所需要做的是对返回的JSON格式数据进行相应的读取，转为可读性高的文本文件。
• 笔者代码中所做到的，一个是将整段的文本保存下来，不做时间分隔以及说话人区分，便于单人单段演讲或讲话的录音文件转写；另一个是做了时间分隔和说话人区分的版本，便于多人会议或讨论的录音文件转写。
• 
• 时间分隔的算法思路是，记录上一句话的结束点，如果与当前这一句话的起始点重合（精确到毫秒），说明这两句话是紧密衔接着的，可以拼接在一起。于是设置一个缓冲区存放当前拼接着的文本，如果上下两句不衔接，则将缓冲区内容写入文件，刷新缓冲区，放入当前句子的文本内容。遍历平台返回数据的每一句话，不断更新和写入缓冲区，便实现了整段音频做了时间分隔并写入文件。
• 两种转写方式的文本均有保存到代码同目录下，保存格式为txt文件。以下为时间分分割版本的截图：
• 

修改参数

• 运行代码时，需修改相关参数为自己创建的应用的APPID和密钥，以及想要转写的录音文件路径。
• 

代码下载

• 代码资源地址：讯飞开放平台音频转文字（python）