网站图片移动怎么做的山东省建设节能协会网站

网站图片移动怎么做的,山东省建设节能协会网站,前端 模板 网站,郴州网站制作建设一、前言 前面我们详细介绍了文本转语音的细节和实践#xff0c;今天我们继续探讨一下语音转文本#xff08;ASR#xff09;#xff0c;初次接触#xff0c;OpenAI Whisper 是最易上手、效果最均衡的开源大模型#xff0c;它无需复杂的专业知识#xff0c;一行代码就能实…一、前言前面我们详细介绍了文本转语音的细节和实践今天我们继续探讨一下语音转文本ASR初次接触OpenAI Whisper 是最易上手、效果最均衡的开源大模型它无需复杂的专业知识一行代码就能实现多语言语音转写且在噪声、口音、多语言场景下的表现远优于传统 ASR。今天我们从基础概念入手逐行拆解代码、详解核心参数结合实际场景选择参数提升转录准确性覆盖从零基础运行到精准适配场景的全流程所有内容优先讲解基础点确保我们都能理解、能举一反三的可用复用。二、基础概念1. 语音转文本ASRASR全称Automatic Speech Recognition即自动语音识别核心是把人类说话的音频信号转换成文字。日常用的微信语音转文字、会议纪要自动生成本质都是 ASR 技术。核心评价指标字错率WER简单理解为 “转错的字数/总字数”数值越低转录越准确比如 WER5%代表 100 个字里错 5 个。2. Whisper模型特征Whisper 是 OpenAI 开源的 ASR 大模型新手只需记住 3 个核心特点端到端设计无需手动处理音频特征比如传统 ASR 要做的 MFCC 特征提取直接输入音频就能输出文本新手无需懂声学知识多语言支持原生支持 99 种语言包括中文普通话 / 方言、英文、日语等无需单独训练预训练数据足基于 68 万小时多语言标注音频训练噪声、口音、不同语速的适配性都很强。3. Whisper模型分类Whisper 提供 5 种预训练模型尺寸新手可简单理解为 “模型越大越准但越慢、占内存越多”各尺寸的基础属性如下新手重点看 “适用场景”tiny 尺寸参数量为 39M百万中文安静场景下的字错率WER约 8.5%仅需要 CPU 就能运行适合快速粗略转写比如语音消息base 尺寸参数量为 74M中文安静场景下的字错率WER约 6.2%仅需要 CPU 就能运行是新手首选平衡准度和速度small 尺寸参数量为 244M中文安静场景下的字错率WER约 4.1%CPU 或 GPU 都能运行适合要求稍高的通用场景medium 尺寸参数量为 769M中文安静场景下的字错率WER约 2.8%需要 GPU显存≥4GB才能流畅运行适合高精度需求比如会议记录large-v3 尺寸参数量为 1550M中文安静场景下的字错率WER约 2.1%需要 GPU显存≥8GB才能运行适合专业场景比如医疗、法律领域。4. Whisper与传统ASR的差异维度传统 ASR如 MFCCHMMWhisper 大模型语言支持需单独训练单语言模型原生支持 99 种语言无需额外适配噪声鲁棒性噪声场景 WER 飙升至 30%80dB 噪声下 WER 仍 15%特征提取手动设计声学特征MFCC端到端自学习特征适配复杂音频部署成本需部署特征提取、解码等多模块单模型即可完成从音频到文本的转换三、基础示例精析转录音频内容支持 WAV/MP3/M4A 等格式实现音频内容解析输出1. 示例代码# 第一步导入Whisper库基础操作所有功能都需要 import whisper # 第二步定义基础转录函数 def transcribe_audio_basic(audio_path): # 2.1 加载模型选择base尺寸 # load_model是Whisper的核心函数参数传模型尺寸 model whisper.load_model(base) # 2.2 执行转录传入音频路径得到结果 # transcribe是实现“音频→文本”的核心方法 result model.transcribe(audio_path) # 2.3 返回关键结果新手先关注text和language return { text: result[text], # 完整转录文本 language: result[language], # 检测到的语言 segments: result[segments] # 段落时间戳 } # 第三步调用函数并打印结果 if __name__ __main__: # 替换为你的音频文件路径 audio_path qqqq.wav # 调用转录函数 result transcribe_audio_basic(audio_path) # 打印结果基础输出看是否转写成功 print(f转录文本: {result[text]}) print(f检测语言: {result[language]})2. 输出结果100%|████████████████████████████| 139M/139M [00:0300:00, 46.9MiB/s]C:\ProgramData\Anaconda3\lib\site-packages\whisper\transcribe.py:132: UserWarning: FP16 is not supported on CPU; using FP32 insteadwarnings.warn(FP16 is not supported on CPU; using FP32 instead)转录文本: 欢迎使用DDS文本朗读器。请在这里输入想要朗读的文本。检测语言: zh3. 结果解析3.1. 逐行解析第一行下载 base 模型权重139M首次运行会下载后续直接复用警告行FP16 is not supported on CPU简单理解FP16/FP32 是数据精度FP16 更快、占内存更少但 CPU 不支持自动用 FP32仅影响速度不影响转写结果GPU 运行时会自动用 FP16无此警告转录文本音频对应的文字内容检测语言zh代表中文ISO 639-1 标准码en 英文、ja 日语。3.2. 常见问题报错 “找不到音频文件”检查audio_path是否正确建议用绝对路径如C:\audio\qqqq.wav报错 “ffmpeg not found”按 2.1 节补充安装 ffmpeg 并配置环境变量转写结果乱码打印时加ensure_asciiFalse如print(f转录文本: {result[text]}, ensure_asciiFalse)。4. 核心参数详解提升转写准确性的第一步必须要搞懂“模型加载”和“转录方法”的核心参数参数选择的合理准确性可直接大幅度提升。4.1 模型加载参数模型加载方式 whisper.load_model()仅 1 个核心参数参数名model_size基础含义选择预训练模型的尺寸决定 “准度 - 速度 - 内存” 的平衡取值范围tiny、base、small、medium、large-v3可对应前面的模型分类详细了解选择建议仅 CPU 选 base有 GPU显存≥4GB选 medium。4.2 转录方法参数model.transcribe() 是实现转写的核心方法重点先了解以下 6 个基础参数按重要性排序4.2.1 audio 参数基础含义输入的音频必须传入常用取值音频文件路径比如 qqqq.wav基础作用指定要转写的音频使用建议直接传文件路径即可。4.2.2 language 参数基础含义指定转写语言常用取值zh中文、en英文、None自动检测基础作用避免模型误判语言比如把中文识别成日语使用建议纯中文音频必传 zh提升准确性。4.2.3 task 参数基础含义任务类型常用取值transcribe转写、translate翻译为英文基础作用决定是 “转写成本语言” 还是 “翻译为英文”使用建议默认用 transcribe。4.2.4 temperature 参数基础含义控制输出随机性常用取值0.0首选基础作用0.0 代表结果固定无随机错误数值越高代表结果越随机使用建议非创意场景如会议记录必设为 0.0。4.2.5 beam_size 参数基础含义集束搜索宽度通俗理解模型尝试的 “候选文本数量”常用取值5默认、8、10基础作用数值越大越易找到 “最准确的文本”但速度越慢使用建议通用场景设 8噪声场景设 10。4.2.6 best_of 参数基础含义集束搜索候选数常用取值5默认、6、8基础作用生成多组候选结果选最优的一组使用建议与 beam_size 配合beam_size8 则 best_of6。整体参数示例# 优化中文转写准确性的基础配置 result model.transcribe( audio_path, languagezh, # 强制指定中文避免误判 temperature0.0, # 固定结果无随机错误 beam_size8, # 增加候选数量提升准确性 best_of6 # 配合beam_size选最优结果 )4.3 返回结果参数transcribe返回的result是一个字典我们可以先从以下 3 个基础字段入手4.3.1 text 字段基础含义完整的转写文本示例值欢迎使用 DDS 文本朗读器。使用场景直接获取转写结果。4.3.2 language 字段基础含义检测到的语言码示例值zh使用场景验证模型是否正确识别语言。4.3.3 segments 字段基础含义段落级时间戳列表示例值[{start: 0.0, end: 3.5, text: 欢迎使用 DDS 文本朗读器。}, ...]使用场景查看 “某段话出现在音频的第几秒”。segments输出示例# 在上方代码的函数中添加以下代码打印段落时间戳 for segment in result[segments]: print(f[{segment[start]:.1f}秒 - {segment[end]:.1f}秒]{segment[text]}) #输出结果 #[0.0秒 - 3.5秒] 欢迎使用DDS文本朗读器。 #[3.5秒 - 6.8秒] 请在这里输入想要朗读的文本。5. 执行流程流程细节说明1. 环境准备安装必要的依赖库和工具主要包括ASR相关库如transformers, whisper、音频处理库如librosa, soundfile2. 模型选择根据需求选择合适的语音识别模型开源模型Whisper、商用API、多语言/单语言模型选择3. 参数配置设置转录过程的关键参数语言选择自动检测或指定、任务类型转录/翻译、采样率设置4. 音频转录执行核心的音频转文本处理音频预处理降噪、归一化、特征提取MFCC, Mel频谱、模型推理、解码输出5. 结果处理对原始转录结果进行处理提取文本内容、获取时间戳信息、说话人分离、置信度评估6. 优化调整根据结果进行优化参数调优温度、集束搜索宽度、后处理标点恢复、数字规范化、错误校正、性能评估7. 完成转录输出最终结果完整转录文本、带时间戳的文本分段、元数据语言、置信度等、可选格式TXT, SRT, JSON等这个流程提供了从音频到文本的完整转录路径每个步骤都是构建高质量语音识别系统的重要组成部分。四、模型参数选择提升转写准确性无需复杂操作按“先选模型→再调基础参数→最后适配场景”的步骤即可每一步都基于基础操作。1. 第一步选对模型尺寸模型尺寸是准确性的基础尺寸越大准度越高我们需要按硬件选择即可不同硬件对应的模型选择、准确性和转写速度如下CPU4 核 8G选择 base 模型首选中文安静场景下的准确性为 WER≈6.2%转写 1 分钟音频大约需要 15 秒CPU8 核 16G选择 small 模型中文安静场景下的准确性为 WER≈4.1%转写 1 分钟音频大约需要 30 秒GPU显存≥4GB选择 medium 模型中文安静场景下的准确性为 WER≈2.8%转写 1 分钟音频大约需要 1 分钟GPU显存≥8GB选择 large-v3 模型中文安静场景下的准确性为 WER≈2.1%转写 1 分钟音频大约需要 2 分钟。2. 第二步调优基础参数选好模型后先改 2 个最易上手的参数可直接提升准确性强制指定 language纯中文音频必传languagezh避免模型误判为日语/韩语固定 temperature0.0避免随机错误如漏字、错字。3. 第三步进阶参数调优若基础参数调整后仍需提升准确性再调以下 2 个参数平衡准度和速度不同场景的参数取值和基础效果如下通用安静场景如录音笔记beam_size 设为 8best_of 设为 6准确性提升 3%-5%速度慢 20%噪声/口音场景如户外录音beam_size 设为 10best_of 设为 8准确性提升 5%-8%速度慢 30%专业场景如医疗/法律beam_size 设为 12best_of 设为 8术语识别更准速度慢 40%。4. 第四步场景化基础配置不同场景的参数最优组合不同我们可以按以下配置调整后观察输出效果持续的微调优化场景 1通用安静短音频如语音消息、录音笔记def transcribe_basic_scene(audio_path): model whisper.load_model(base) # CPU首选 result model.transcribe( audio_path, languagezh, temperature0.0, beam_size8, best_of6 ) return result场景 2噪声 / 口音重音频如户外录音、方言口音def transcribe_noise_scene(audio_path): model whisper.load_model(small) # 比base更准 result model.transcribe( audio_path, languagezh, temperature0.0, beam_size10, best_of8 ) return result场景 3长音频如会议录音5 分钟def transcribe_long_audio(audio_path): model whisper.load_model(medium) # 有GPU优先选 result model.transcribe( audio_path, languagezh, temperature0.0, beam_size8, best_of6, condition_on_previous_textTrue # 保持上下文连贯新手无需改默认True ) return result五、进阶扩展1. 带词级时间戳的转录实现精细化转写我们可以开启word_timestampsTrue获取每个单词的精准时间戳如制作字幕def transcribe_with_word_timestamps(audio_path): model whisper.load_model(base) result model.transcribe( audio_path, languagezh, temperature0.0, word_timestampsTrue # 启用词级时间戳 ) # 打印词级时间戳新手可理解为“每个字/词的起止时间” for segment in result[segments]: print(f[{segment[start]:.1f}秒 - {segment[end]:.1f}秒]{segment[text]}) for word in segment[words]: print(f 「{word[word]}」{word[start]:.1f}秒 - {word[end]:.1f}秒) return result输出示例[0.0秒 - 3.5秒] 欢迎使用DDS文本朗读器。 「欢迎」0.0秒 - 0.5秒 「使用」0.5秒 - 1.0秒 「DDS」1.0秒 - 1.5秒 「文本」1.5秒 - 2.0秒 「朗读器」2.0秒 - 3.5秒2. 批量转录处理多个音频文件我们可以封装批量处理函数避免重复操作增加基础异常处理防止单个文件报错中断def batch_transcribe(audio_files): # audio_files是音频文件路径列表如[audio1.wav, audio2.wav] model whisper.load_model(base) results {} for file in audio_files: try: print(f正在处理{file}) result model.transcribe(file, languagezh, temperature0.0) results[file] result[text] # 仅保存转写文本 except Exception as e: print(f处理{file}失败{str(e)}) results[file] 转写失败 return results audio_list [meeting1.wav, meeting2.wav] batch_results batch_transcribe(audio_list) # 打印批量结果 for file, text in batch_results.items(): print(f\n{file}转写结果) print(text)3. 说话人分离识别“谁在什么时候说什么”结合pyannote.audio实现“说话人 文本 时间戳”的转写def transcribe_with_speaker(audio_path, hf_token): # 第一步基础转写获取文本时间戳 model whisper.load_model(base) transcribe_result model.transcribe( audio_path, languagezh, temperature0.0, word_timestampsTrue ) # 第二步加载说话人分离模型 from pyannote.audio import Pipeline diarization_pipeline Pipeline.from_pretrained( pyannote/speaker-diarization-3.1, use_auth_tokenhf_token # 替换为你的HuggingFace令牌 ) diarization_result diarization_pipeline(audio_path) # 第三步匹配“说话人-文本-时间戳” final_result [] for segment in transcribe_result[segments]: # 找到该时间段内的主要说话人 speaker unknown for turn, _, spk in diarization_result.itertracks(yield_labelTrue): if turn.start segment[end] and turn.end segment[start]: speaker spk break # 保存结果 final_result.append({ start: segment[start], end: segment[end], speaker: speaker, text: segment[text] }) # 打印结果 for item in final_result: print(f[{item[start]:.1f}秒 - {item[end]:.1f}秒] {item[speaker]}{item[text]}) return final_result hf_token 你的HuggingFace令牌 transcribe_with_speaker(group_discussion.wav, hf_token)输出示例[0.0秒 - 5.0秒] SPEAKER_00 今天我们讨论一下项目进度。 [5.0秒 - 10.0秒] SPEAKER_01 我这边的模块已经完成了80%。六、辅助优化1. 音频预处理降噪进一步提升转写的准确性可以对噪声音频先降噪再进行转写操作需要应用安装noisereduce库。import noisereduce as nr import soundfile as sf # 读取音频 data, rate sf.read(audio_path) # 提取噪声样本取音频前1秒作为噪声 noise_sample data[:rate] # 降噪 reduced_noise nr.reduce_noise(ydata, y_noisenoise_sample, srrate) # 保存降噪后的音频 sf.write(audio_denoised.wav, reduced_noise, rate) # 对降噪后的音频转写 model.transcribe(audio_denoised.wav, languagezh)2. 简单后处理校正错字result_text result[text] # 替换常见错字 corrected_text result_text.replace(北惊, 北京).replace(百份之, 百分之) print(校正后文本, corrected_text)七、应用示例1. 完整的应用实例包括单文件转录、批量转录以及带说话人分离的转录import whisper import numpy as np import torch from typing import Dict, List import json class AdvancedTranscriber: 高级语音转录器包含多种优化功能 def __init__(self, model_sizebase, devicecuda): 初始化转录器 Args: model_size: 模型尺寸 (tiny, base, small, medium, large) device: 计算设备 (cuda/cpu) self.device device if torch.cuda.is_available() else cpu self.model whisper.load_model(model_size).to(self.device) # 配置转录参数 self.transcribe_options { language: zh, # 指定语言可选自动检测 task: transcribe, # transcribe或translate temperature: 0.0, # 采样温度0为确定性 best_of: 5, # 集束搜索候选数 beam_size: 5, # 集束搜索宽度 fp16: True if self.device cuda else False, } def transcribe_with_timestamps(self, audio_path: str) - Dict: 带时间戳的详细转录 result self.model.transcribe( audio_path, **self.transcribe_options, word_timestampsTrue # 启用词级时间戳 ) # 结构化输出 structured_output { full_text: result[text], language: result[language], duration: self._get_audio_duration(audio_path), segments: [] } for segment in result[segments]: segment_info { start: segment[start], end: segment[end], text: segment[text], confidence: segment.get(confidence, 0), words: segment.get(words, []) } structured_output[segments].append(segment_info) return structured_output def batch_transcribe(self, audio_files: List[str]) - Dict[str, Dict]: 批量转录多个音频文件 results {} for audio_file in audio_files: try: print(f正在处理: {audio_file}) result self.transcribe_with_timestamps(audio_file) results[audio_file] result except Exception as e: print(f处理失败 {audio_file}: {str(e)}) results[audio_file] {error: str(e)} return results def transcribe_with_speaker_diarization(self, audio_path: str): 结合说话人分离的转录 需要额外安装pip install pyannote.audio from pyannote.audio import Pipeline # 第一步使用Whisper转录 transcription_result self.transcribe_with_timestamps(audio_path) # 第二步说话人分离 diarization_pipeline Pipeline.from_pretrained( pyannote/speaker-diarization-3.1, use_auth_tokenYOUR_HUGGINGFACE_TOKEN ) diarization_result diarization_pipeline(audio_path) # 第三步对齐说话人标签和转录 aligned_result self._align_speakers_with_transcription( transcription_result, diarization_result ) return aligned_result def _align_speakers_with_transcription(self, transcription, diarization): 对齐说话人标签和转录文本 aligned_segments [] for transcript_segment in transcription[segments]: # 找到该时间段内的说话人 segment_start transcript_segment[start] segment_end transcript_segment[end] # 收集该时间段的所有说话人 speakers_in_segment [] for turn, _, speaker in diarization.itertracks(yield_labelTrue): if turn.start segment_end and turn.end segment_start: overlap_start max(turn.start, segment_start) overlap_end min(turn.end, segment_end) overlap_duration overlap_end - overlap_start speakers_in_segment.append({ speaker: speaker, overlap_duration: overlap_duration }) # 选择重叠时间最长的说话人 if speakers_in_segment: main_speaker max( speakers_in_segment, keylambda x: x[overlap_duration] )[speaker] transcript_segment[speaker] main_speaker else: transcript_segment[speaker] unknown aligned_segments.append(transcript_segment) transcription[segments] aligned_segments return transcription def _get_audio_duration(self, audio_path: str) - float: 获取音频时长 import soundfile as sf data, sample_rate sf.read(audio_path) return len(data) / sample_rate # 使用示例 transcriber AdvancedTranscriber(model_sizesmall) # 单文件转录 result transcriber.transcribe_with_timestamps(qqqq.wav) print(json.dumps(result, ensure_asciiFalse, indent2)) # 批量转录 batch_results transcriber.batch_transcribe([ meeting1.wav, meeting2.wav, presentation.wav ]) # 带说话人分离的转录 diarization_result transcriber.transcribe_with_speaker_diarization( group_discussion.wav )输出结果{full_text: 欢迎使用GDS文本朗读器,请在这里输入想要朗读的文本。,language: zh,duration: 11.321179138321995,segments: [{start: 0.0,end: 9.98,text: 欢迎使用GDS文本朗读器,请在这里输入想要朗读的文本。,confidence: 0,words: [{word: 欢,start: 0.0,end: 0.44,probability: 0.6587960124015808},{word: 迎,start: 0.44,end: 0.78,probability: 0.9997932314872742},{word: 使,start: 0.78,end: 1.16,probability: 0.9810769557952881},{word: 用,start: 1.16,end: 1.5,probability: 0.9999412298202515},{word: G,start: 1.5,end: 1.84,probability: 0.5033477544784546},{word: DS,start: 1.84,end: 2.3,probability: 0.9630266427993774},{word: 文,start: 2.3,end: 2.86,probability: 0.698738694190979},{word: 本,start: 2.86,end: 3.28,probability: 0.9940272569656372},{word: 朗,start: 3.28,end: 3.62,probability: 0.7624131739139557},{word: 读,start: 3.62,end: 3.88,probability: 0.985887736082077},{word: 器,,start: 3.88,end: 4.3,probability: 0.9958699345588684},{word: 请,start: 5.44,end: 6.06,probability: 0.9576152563095093},{word: 在,start: 6.06,end: 6.46,probability: 0.9904884099960327},{word: 这里,start: 6.46,end: 6.96,probability: 0.9948416352272034},{word: 输,start: 6.96,end: 7.42,probability: 0.9913595616817474},{word: 入,start: 7.42,end: 7.74,probability: 0.9998476505279541},{word: 想,start: 7.74,end: 8.04,probability: 0.9758610725402832},{word: 要,start: 8.04,end: 8.46,probability: 0.9975632429122925},{word: 朗,start: 8.46,end: 8.82,probability: 0.9854574501514435},{word: 读,start: 8.82,end: 9.14,probability: 0.9997773170471191},{word: 的,start: 9.14,end: 9.36,probability: 0.9987922310829163},{word: 文,start: 9.36,end: 9.64,probability: 0.9949055910110474},{word: 本。,start: 9.64,end: 9.98,probability: 0.9980852603912354}]}]}2. 转录后处理处理转录后的内容包括标点恢复、数字规范化等可根据实际情况调整import re from typing import List, Dict class TranscriptionPostProcessor: 转录后处理标点恢复、数字规范化等 def __init__(self, languagezh): self.language language # 定义正则规则 self.patterns { numbers: { zh: r(\d), en: r(\d) }, urls: rhttps?://\S|www\.\S, emails: r\S\S\.\S } # 数字转换规则中文 self.number_map_zh { 0: 零, 1: 一, 2: 二, 3: 三, 4: 四, 5: 五, 6: 六, 7: 七, 8: 八, 9: 九 } def process_transcription(self, text: str) - str: 完整的后处理流程 # 1. 清理多余空格 text self._clean_spaces(text) # 2. 标点标准化 text self._normalize_punctuation(text) # 3. 数字规范化 if self.language zh: text self._normalize_numbers_chinese(text) elif self.language en: text self._normalize_numbers_english(text) # 4. 大写规范化英文 if self.language en: text self._normalize_capitalization(text) # 5. 分割过长的句子 text self._split_long_sentences(text) return text def _clean_spaces(self, text: str) - str: 清理多余空格 # 去除首尾空格 text text.strip() # 将多个空格合并为一个 text re.sub(r\s, , text) # 修复标点前的空格 text re.sub(r\s([,.!?;:]), r\1, text) return text def _normalize_punctuation(self, text: str) - str: 标点符号标准化 # 英文标点转中文标点如果目标语言是中文 if self.language zh: punctuation_map { ,: , .: 。, !: , ?: , ;: , :: , (: , ): , : 「, : 『 } for eng_punc, zh_punc in punctuation_map.items(): text text.replace(eng_punc, zh_punc) # 确保标点后有空格英文 if self.language en: text re.sub(r([,.!?;:])([A-Za-z]), r\1 \2, text) return text def _normalize_numbers_chinese(self, text: str) - str: 中文数字规范化 def number_to_chinese(match): num_str match.group(1) # 简单转换将每个数字转为中文 if len(num_str) 1: return self.number_map_zh.get(num_str, num_str) elif len(num_str) 4 and 1000 int(num_str) 9999: # 年份处理2023 - 二零二三 return .join(self.number_map_zh.get(d, d) for d in num_str) else: # 保持数字形式 return num_str # 替换数字 text re.sub(self.patterns[numbers][self.language], number_to_chinese, text) return text def _normalize_numbers_english(self, text: str) - str: 英文数字规范化 def number_to_words(match): num int(match.group(1)) # 简单的数字转单词0-99 if 0 num 99: words_0_19 [ zero, one, two, three, four, five, six, seven, eight, nine, ten, eleven, twelve, thirteen, fourteen, fifteen, sixteen, seventeen, eighteen, nineteen ] tens [ , , twenty, thirty, forty, fifty, sixty, seventy, eighty, ninety ] if num 20: return words_0_19[num] else: ten tens[num // 10] one words_0_19[num % 10] if num % 10 ! 0 else return f{ten}-{one} if one else ten else: # 保持数字形式 return str(num) # 替换数字 text re.sub(self.patterns[numbers][self.language], number_to_words, text) return text def _split_long_sentences(self, text: str, max_length50) - str: 分割过长的句子 sentences re.split(r([。.!?]), text) processed_sentences [] for i in range(0, len(sentences), 2): if i 1 len(sentences): sentence sentences[i] sentences[i 1] else: sentence sentences[i] if len(sentence) max_length: # 根据逗号分割 parts re.split(r([,]), sentence) reconstructed [] for j in range(0, len(parts), 2): if j 1 len(parts): part parts[j] parts[j 1] else: part parts[j] reconstructed.append(part) sentence .join(reconstructed) processed_sentences.append(sentence) return .join(processed_sentences) # 使用后处理 post_processor TranscriptionPostProcessor(languagezh) transcribed_text 今天天气很好 我们去公园玩吧123 processed_text post_processor.process_transcription(transcribed_text) print(f处理后: {processed_text}) # 输出: 今天天气很好我们去公园玩吧一二三八、总结OpenAI Whisper 是初学者入门语音转文本ASR的最优选择兼具极强实用性与学习价值。学习上建议遵循 “基础优先、循序渐进” 路径先掌握核心概念如模型尺寸、字错率跑通最简转录代码再逐一生理解析 model_size、language 等关键参数含义避免一开始陷入复杂功能。重点吃透硬件匹配模型尺寸、强制指定语言、固定 temperature0.0等基础技巧这是提升准确性的核心。实用性方面可直接套用场景化配置CPU 用户优先用 base 模型处理通用短音频GPU 用户可选 medium 模型提升长音频/专业场景精度噪声/口音场景调大 beam_size 与 best_of专业领域可加初始提示词引导术语识别。我们无需追求极致参数先实现稳定转写再逐步扩展批量处理、说话人分离等功能既能快速落地使用也能系统掌握 ASR 核心逻辑。