Whisper API语音转文字

语音转文字，也叫 ASR，可以把会议录音、访谈、课程音频转换成文本。Whisper 类模型常用于字幕、会议纪要、播客整理和语音搜索。

基本流程

1. 准备音频文件；
2. 检查格式和大小；
3. 上传给转写接口；
4. 获取文本和可选时间戳；
5. 做后处理：断句、标点、说话人、摘要。

不要把“转文字”和“生成会议纪要”混为一步。先转写，再总结，流程更清晰。

音频准备

常见格式包括 mp3、wav、m4a。为了提高识别质量，尽量保证：

• 人声清楚；
• 背景噪声低；
• 音量不要过小；
• 长音频先分段；
• 重要专有名词提前准备词表。

Python伪代码

from pathlib import Path
 
file_path = Path('audio/meeting.mp3')
if not file_path.exists():
    raise FileNotFoundError(file_path)
 
with open(file_path, 'rb') as f:
    transcript = speech_client.transcribe(
        file=f,
        language='zh'
    )
 
print(transcript.text)

真实 SDK 参数会随平台不同而变化，但文件读取、上传、保存结果的结构一致。

长音频处理

长音频建议切成多个片段：

segments = split_audio('meeting.mp3', minutes=10)
texts = []
for seg in segments:
    texts.append(transcribe(seg))
full_text = '\n'.join(texts)

分段时要保留顺序和时间范围，方便回听校对。

后处理建议

转写结果通常需要继续处理：

• 修正专有名词；
• 添加段落；
• 区分说话人；
• 提取待办；
• 生成摘要；
• 标记不确定片段。

如果用于正式会议纪要，一定要人工校对关键数字、姓名和决策。

常见错误

• 上传文件太大；
• 音频采样率或格式不支持；
• 背景噪声导致错字；
• 中英文混合识别不稳定；
• 把转写文本直接当最终纪要。

小结

Whisper API 类语音转写能力能大幅提高整理效率，但准确性取决于音频质量、分段策略和后处理。正式场景必须保留原音频和校对流程。