前言

語音轉(zhuǎn)文字（STT，Speech to Text）是人機(jī)交互、音視頻處理、智能客服等領(lǐng)域的核心技術(shù)，Python 憑借生態(tài)豐富、易用性強(qiáng)的優(yōu)勢，成為 STT 開發(fā)的主流語言。當(dāng)下各類 Python STT 庫百花齊放，既有開箱即用、輕量化的本地識別庫，也有對接大廠接口、高精度的云端識別工具，還涵蓋了兼顧速度與準(zhǔn)確率的開源模型類庫，適配個人開發(fā)、企業(yè)級項(xiàng)目等不同場景。本文將聚焦 Python 生態(tài)中常用、成熟、高實(shí)用性的 STT 語音識別庫，從功能特性、識別精度、部署成本、適用場景等維度展開盤點(diǎn)，為開發(fā)者選型提供清晰參考。

1 PaddleSpeech

PaddleSpeech 是百度飛槳開源的語音交互工具集，主打中文語音識別 / 合成能力，依托飛槳框架的高性能計(jì)算優(yōu)勢，在中文普通話、低音質(zhì)音頻識別場景下表現(xiàn)優(yōu)異，且支持私有化部署，是企業(yè)級中文 STT 場景的首選方案之一。

1.1 安裝步驟

安裝命令：

conda create -n paddlespeech python=3.10
conda activate paddlespeech
python -m pip install paddlepaddle-gpu==3.2.2 -i https://www.paddlepaddle.org.cn/packages/stable/cu118/

# 安裝paddlespeech
git clone https://github.com/PaddlePaddle/PaddleSpeech.git
cd PaddleSpeech
pip install pytest-runner
pip install .

注：如果這里沒有n卡，這里修改成pip install paddlepaddle,具體安裝選擇可以看官網(wǎng)：PaddlePaddle
我這里之所以使用源碼編譯的方式去安裝，是因?yàn)橹苯邮褂胮ip安裝會有很多bug。

1.2 測試代碼

import paddle
from paddlespeech.cli.asr import ASRExecutor

asr_executor = ASRExecutor()
text = asr_executor(audio_file="test.wav", model="conformer_aishell")
print(text)

1.3 遇到的報(bào)錯

ERROR: Could not find a version that satisfies the requirement opencc==1.1.6 (from paddlespeech) (from versions: 0.1, 0.2, 1.1.0.post1, 1.1.1, 1.1.7, 1.1.8, 1.1.9) ERROR: No matching distribution found for opencc==1.1.6
直接去PaddleSpeech/setup.py下面修改opencc安裝版本：

2 whisper

Whisper 是 OpenAI 開源的多語言語音識別模型，憑借海量多語言音頻數(shù)據(jù)訓(xùn)練，支持 99 種語言識別，中文普通話識別準(zhǔn)確率≈95%，且抗噪能力強(qiáng)，是個人開發(fā)、多語言場景的首選方案。

2.1 安裝命令

conda create -n whisper_env python=3.10
conda activate whisper_env
pip install -U openai-whisper

2.2 測試代碼

import whisper

model = whisper.load_model("turbo")
result = model.transcribe("audio.mp3")
print(result["text"])

如下圖所示，load_model時，可選參數(shù)為：

3 FunASR

FunASR 是阿里云通義實(shí)驗(yàn)室開源的語音識別框架，主打中文及方言識別，在 30 + 中文方言、低音質(zhì)音頻場景下表現(xiàn)領(lǐng)先，是中文專屬 STT 場景的最優(yōu)選擇。

3.1 安裝步驟

conda create -n funasr python=3.10
conda activate funasr
pip3 install -U funasr
pip3 install -U modelscope huggingface_hub
pip install torch==2.3.1 torchvision==0.18.1 torchaudio==2.3.1 --index-url https://download.pytorch.org/whl/cu118

3.2 測試代碼

from funasr import AutoModel
from funasr.utils.postprocess_utils import rich_transcription_postprocess

model_dir = "iic/SenseVoiceSmall"

model = AutoModel(
    model=model_dir,
    vad_model="fsmn-vad",
    vad_kwargs={"max_single_segment_time": 30000},
    device="cuda:0",
)

# en
res = model.generate(
    input=f"test.mp3",
    cache={},
    language="auto",  # "zn", "en", "yue", "ja", "ko", "nospeech"
    use_itn=True,
    batch_size_s=60,
    merge_vad=True,  #
    merge_length_s=15,
)
text = rich_transcription_postprocess(res[0]["text"])
print(text)

3.3 遇到的錯誤

• UnboundLocalError: local variable 'AutoTokenizer' referenced before assignment
  報(bào)錯原因： transformers 庫版本過低或未安裝，導(dǎo)致模型加載時無法找到 AutoTokenizer 類。
  解決辦法： 升級 transformers 庫

  pip install -U transformers
  

• AssertionError: FunASRNano is not registered
  報(bào)錯原因： FunASR 版本過低，未注冊 FunASRNano 模型類，常見于使用 Fun-ASR-Nano 系列模型時。
  解決辦法： 手動導(dǎo)入模型類

  from funasr.models.fun_asr_nano.model import FunASRNano
  

  

• Loading remote code failed: model, No module named 'model'
...
OSError: Error no file named pytorch_model.bin, model.safetensors, tf_model.h5, model.ckpt.index or flax_model.msgpack found in directory xxx
  報(bào)錯原因： FunAudioLLM/Fun-ASR-Nano-251 模型適配性較差，遠(yuǎn)程代碼加載失敗或權(quán)重文件下載不完整。
  解決辦法： 替換為 FunASR 官方穩(wěn)定支持的模型（如 iic/SenseVoiceSmall、paraformer-large），避免使用適配性不足的 Nano 系列模型。

總結(jié)

本文盤點(diǎn)了 Python 生態(tài)中三大主流 STT 庫：PaddleSpeech 適配飛槳生態(tài)，適合企業(yè)級中文通用場景；Whisper 主打多語言識別，易用性拉滿，適配個人開發(fā)；FunASR 在中文方言識別領(lǐng)域優(yōu)勢顯著，適合中文專屬場景。實(shí)際開發(fā)中，個人 / 多語言場景優(yōu)先選 Whisper，中文方言 / 企業(yè)級場景優(yōu)先選 FunASR，飛槳生態(tài)項(xiàng)目可選用 PaddleSpeech。開發(fā)時需注意版本適配與依賴管理，遇到問題可優(yōu)先通過升級庫或替換模型解決，確保識別效果與穩(wěn)定性。

到此這篇關(guān)于主流Python語音轉(zhuǎn)文字(STT)庫實(shí)戰(zhàn)指南的文章就介紹到這了,更多相關(guān)Python語音轉(zhuǎn)文字(STT)庫內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評論