【开源自荐】离线运行的本地语音识别服务，支持输出 json、srt、纯文本

[jianchang512]

https://github.com/jianchang512/stt

这是一个离线运行的本地语音识别转文字工具，基于 fast-whipser 模型，将 视频/音频 中的人类声音识别并转为文字，可选文字输出格式:json、srt字幕、纯文字。可用于自行部署后替代 openai 的语音识别接口或百度语音识别等，准确率基本等同openai官方api接口。

特点

1. 本地离线工作
2. 提供 api 调用接口
3. 使用 openai-whisper 开源模型
4. win下提供预编译exe版本，双击即可使用，无需部署
5. 支持 win/mac/linux 源码部署

预览视频

cn-stt.mp4

api 接口

接口地址: http://127.0.0.1:9977/api

请求方法: POST

请求参数:

language: 语言代码:可选如下

>
> 中文：zh
> 英语：en
> 法语：fr
> 德语：de
> 日语：ja
> 韩语：ko
> 俄语：ru
> 西班牙语：es
> 泰国语：th
> 意大利语：it
> 葡萄牙语：pt
> 越南语：vi
> 阿拉伯语：ar
> 土耳其语：tr
>

model: 模型名称，可选如下
>
> base 对应于 models/base.pt
> small 对应于 models/small.pt
> medium 对应于 models/medium.pt
> large 对应于 models/large.pt
> large-v3 对应于 models/large-v3.pt
>

response_format: 返回的字幕格式，可选 text|json|srt

file: 音视频文件，二进制上传

Api 请求示例

    import requests
    # 请求地址
    url = "http://127.0.0.1:9977/api"
    # 请求参数  file:音视频文件，language：语言代码，model：模型，response_format:text|json|srt
    # 返回 code==0 成功，其他失败，msg==成功为ok，其他失败原因，data=识别后返回文字
    files = {"file": open("C:\\Users\\c1\\Videos\\2.wav", "rb")}
    data={"language":"zh","model":"base","response_format":"json"}
    response = requests.request("POST", url, timeout=600, data=data,files=files)
    print(response.json())

[zhaoshouhang]

项目地址有吗

[jianchang512]

项目地址有吗

https://github.com/jianchang512/stt