离线语音转文字大模型——中文语音识别：VOSK工具库实例详解

一、介绍

VOSK是由Alpha Cephei公司开发的开源语音识别工具库，其名称源自俄语”ВОСК”(蜡)，寓意能像蜡一样完美贴合各种应用场景。作为一款完全离线的语音识别解决方案，VOSK基于深度神经网络(DNN)和循环神经网络(RNN)构建，能够将音频流实时或批量转换为结构化文本。VOSK 凭借其离线、跨平台、高效和开源的特性，在语音识别领域占据了独特而重大的地位。它并非要完全取代谷歌、微软等提供的强劲云端语音服务，而是为那些对隐私、延迟、网络条件和成本有严格要求的应用场景提供了一个绝佳的解决方案。

VOSK的核心优势包括：

1、跨平台支持：兼容
Windows/Linux/macOS/Android/iOS/Raspberry Pi等平台。

2、多语言识别：支持20+种语言，包括中文、英语、法语、德语等。

3、轻量高效：小型模型仅42MB左右，内存占用低。

4、流式识别：支持实时音频流处理，响应速度快。

二、官方地址及模型下载

VOSK 官方网站：

https://alphacephei.com/vosk/

GitHub 仓库：

https://github.com/alphacep/vosk-api

模型下载：

https://alphacephei.com/vosk/models

模型下载，找到中文的

三、工具实践

在python10-11等环境中，安装VOSK。

pip install vosk

从 VOSK 官网下载所需语言模型（如
vosk-model-small-en-us-0.15），并解压放到指定的目录。如果条件允许，一般提议下载vosk-model-cn-0.22，识别相对更加准确。

如果做例子我们可以先准备一个有人说话的声音文件。如a.wav，可以从网上下载。

为提高识别准确率，提议对音频进行以下处理：转换为单声道；采样率设为16kHz；16位深度。一般的a.wav应该没事。

四、代码例子

import json

from vosk import Model, KaldiRecognizer

import wave

# 1. 加载离线模型

model = Model(“./vosk-model-cn-0.22”)

# 2. 打开要识别的音频文件

wf = wave.open(“a.wav”, “rb”)

# 检查音频格式是否符合要求（单声道，16kHz采样率，16位深）

if wf.getnchannels() != 1 or wf.getsampwidth() != 2 or wf.getcomptype() != “NONE”:

print(“格式不符合要求.”)

exit(1)

# 3. 创建识别器

rec = KaldiRecognizer(model, wf.getframerate())

# 4. 逐块读取音频并进行识别

results = []

while True:

data = wf.readframes(4000)

if len(data) == 0:

break

if rec.AcceptWaveform(data):

part_result = json.loads(rec.Result())

results.append(part_result.get(‘text’, ”))

# 获取最终结果

final_result = json.loads(rec.FinalResult())

results.append(final_result.get(‘text’, ”))

# 5. 输出所有识别文本

full_text = ” “.join(results)

print(f”识别结果: {full_text}”)

运行及结果

五、其他

高级一点的，可以读取流式语音。

还可以增加谐音词的处理。由于有时候发音带口音需要处理。

谐音词处理