Python语音转文本实战：从本地Whisper到云端API的完整指南

1. 项目概述：为什么用Python做语音转文本？

如果你手头有一段会议录音、一段播客音频，或者想给自己的视频自动生成字幕，手动敲字绝对是场噩梦。这时候，语音转文本（ASR）技术就是你的救星。而Python，凭借其丰富的库和社区生态，成了实现这个功能最顺手、门槛也相对较低的工具。这不仅仅是调用一个API那么简单，从本地轻量级处理到对接高精度商用服务，Python都能给你搭好桥梁。今天，我就结合自己踩过的坑和实际项目经验，来拆解用Python实现语音转文本的完整路径，从核心原理、工具选型到实战代码和避坑指南，让你不仅能跑通Demo，更能理解背后的门道，做出适合自己需求的选择。

2. 核心方案选型：从本地库到云端API

面对语音转文本的需求，你面前通常有三条路：使用纯本地的开源库、调用大厂的云端API，或者采用混合方案。没有绝对的好坏，只有是否适合你的场景。

2.1 本地开源库方案

这类方案完全在本地运行，不依赖网络，数据隐私性好，适合处理敏感音频或网络不便的环境。但通常对硬件（尤其是CPU）有一定要求，且识别精度和语言模型丰富度可能不及顶尖的云端服务。

1. Vosk：离线识别的瑞士军刀Vosk是我在离线项目中用得最多的库。它的核心优势是模型多（支持几十种语言，包括中文）、体积相对小巧，并且提供了多种规模的模型（从几十MB的小模型到几个GB的大模型），方便在精度和资源消耗间权衡。它的API设计也很Pythonic，几行代码就能跑起来。不过，Vosk的模型是“静态”的，你无法用自己的数据去微调它，对于非常专业的领域词汇（比如某些医疗或工程术语）可能会识别不准。

2. Whisper（OpenAI）：平衡精度与易用性的新星虽然来自OpenAI，但Whisper是一个开源项目，你完全可以在本地部署。它大概是近年来对开发者最友好的ASR工具了。使用简单，默认模型（base或small）在英语识别上就有不错的效果，而且自带多语言识别和翻译能力。缺点是模型较大（最小的tiny模型也有几百MB），推理速度较慢，尤其是在没有GPU的机器上。但对于不追求实时性、又希望有较好精度的个人项目或研究，Whisper是首选。

3. SpeechRecognition：封装多引擎的“胶水”库这个库本身不提供识别引擎，而是一个统一的接口，背后可以对接Google Web Speech API、CMU Sphinx、Wit.ai等多个服务。其中，对接Sphinx引擎时可以离线使用。它的价值在于其接口的统一性，方便你快速切换不同的后端进行对比。但正因如此，其能力完全取决于后端引擎。离线模式下使用的Sphinx引擎，其识别精度（尤其是中文）现在来看已经比较落后了，更适合作为教学或简单场景的入门工具。

注意：选择本地库时，务必考虑你的部署环境。在树莓派或低配云服务器上，一个几GB的Whisper模型可能会让你寸步难行。Vosk的轻量级模型往往是更务实的选择。

2.2 云端API服务方案

当你需要生产级的高精度、高稳定性，并且音频数据不涉密时，云端API是更专业的选择。它们通常按处理时长收费，但提供了99%以上的准确率、持续的模型更新以及额外的功能（如说话人分离、情绪分析等）。

1. 阿里云/腾讯云语音识别国内项目首选。它们对中文的优化非常好，特别是带有各种口音的普通话和常见方言。集成过程就是典型的云服务模式：注册、开通服务、获取API Key和Secret，然后按照SDK文档调用。优势是延迟低（因为服务器在国内）、文档和客服支持中文、符合国内数据合规要求。你需要仔细阅读它们的计价方式，通常有免费额度，超出后按分钟计费。

2. Google Cloud Speech-to-Text / Microsoft Azure Speech Services如果你是做全球化应用，或者需要支持的语言特别多，这两家是国际市场的标杆。Google在长音频和嘈杂环境下的识别很强大，Azure则在说话人分离和实时转录方面有独特优势。它们的Python SDK都非常成熟，但调用延迟会受网络影响，且需要处理跨境数据合规的问题。

3. 其他商用API（如科大讯飞）像科大讯飞这样的专业语音公司，也提供非常出色的ASR API。它们在特定垂直领域（如教育、司法）的定制化能力可能更强。选择时，除了精度和价格，还要考虑SDK的易用性、服务的SLA（服务等级协议）以及是否支持你需要的一些高级功能。

2.3 混合与自定义方案

对于有特殊需求的场景，你可能需要混合方案。例如：

• 预处理+云端API：先用pydub这样的库对音频进行降噪、分割，再将清晰的片段发送给API，以提升识别率并控制成本。
• 本地初筛+云端精校：对实时性要求高的场景，可以先在本地用Vosk进行快速但粗略的识别，同时将音频发送到云端进行高精度识别，云端结果返回后再做替换或融合。
• 微调定制模型：如果你有大量领域特定的标注数据（如医疗问诊录音），可以考虑使用像NVIDIA NeMo这样的工具包，在开源基础模型（如Whisper）上进行微调，得到一个专属于你领域的离线模型。这条路技术门槛和资源投入最高，但能形成核心壁垒。

3. 实战演练：三大经典场景代码实现

光说不练假把式。下面我们针对三个最典型的场景，给出可直接运行的代码示例和详细解说。

3.1 场景一：使用Whisper进行本地高精度转录

假设你有一个长达一小时的会议录音meeting.mp3，你想把它转成文字稿。Whisper是最简单的选择。

首先，安装Whisper（它依赖Python 3.8+和ffmpeg）：

pip install openai-whisper # 确保系统安装了ffmpeg # Ubuntu/Debian: sudo apt update && sudo apt install ffmpeg # macOS: brew install ffmpeg # Windows: 从官网下载exe并添加至环境变量PATH

核心转录代码：

import whisper import warnings warnings.filterwarnings("ignore") # 可选，忽略一些提示信息 def transcribe_with_whisper(audio_path, model_size="base"): """ 使用Whisper转录音频文件 :param audio_path: 音频文件路径 :param model_size: 模型大小，可选 tiny, base, small, medium, large """ print(f"正在加载 {model_size} 模型...") # 加载模型，首次运行会自动下载 model = whisper.load_model(model_size) print("开始转录...") # transcribe方法会进行VAD（语音活动检测）、解码等全套流程 result = model.transcribe(audio_path) # 输出完整文本 print("转录完成！文本内容：") print(result["text"]) # 如果你需要带时间戳的段落（用于字幕），可以访问`segments` print("\n【带时间戳的段落】") for segment in result["segments"]: start = segment["start"] end = segment["end"] text = segment["text"] print(f"[{start:.2f}s -> {end:.2f}s]: {text}") return result # 使用示例 if __name__ == "__main__": # 使用`base`模型，在精度和速度间取得平衡 audio_file = "meeting.mp3" transcribe_with_whisper(audio_file, model_size="base")

参数选择与调优心得：

• model_size选择：tiny和base速度最快，适合英语或质量高的音频。small和medium是精度和速度的较好平衡。large最准但也最慢，内存消耗大，非必要不使用。
• transcribe方法可选参数：
  • language：指定语言（如"zh"），能提升识别精度和速度。
  • task：可选"transcribe"（转录）或"translate"（翻译成英语）。
  • fp16：是否使用半精度浮点数，默认True，在GPU上能提速，但某些CPU上可能不稳定，可设为False。
• 实操坑点：Whisper对音频长度没有硬性限制，但过长的音频（如2小时以上）可能会一次性占用大量内存。对于超长音频，更稳妥的做法是先用pydub分割成30分钟左右的片段，分别识别后再合并文本。

3.2 场景二：使用Vosk进行实时离线语音识别

假设你要开发一个离线的语音指令工具，需要实时识别麦克风的输入。Vosk的流式识别能力非常适合。

首先，安装Vosk并下载模型：

pip install vosk # 前往Vosk官网模型仓库，下载适合的中文模型，例如`vosk-model-small-cn-0.22` # 解压后得到一个文件夹，记住路径，如 `./models/vosk-model-small-cn-0.22`

核心实时识别代码：

import json import queue import sys import sounddevice as sd # 用于录音 from vosk import Model, KaldiRecognizer class RealtimeASR: def __init__(self, model_path, sample_rate=16000): """ 初始化实时ASR引擎 :param model_path: 下载的Vosk模型目录路径 :param sample_rate: 音频采样率，必须与模型匹配（通常为16000） """ print(f"加载模型从: {model_path}") self.model = Model(model_path) self.recognizer = KaldiRecognizer(self.model, sample_rate) self.sample_rate = sample_rate self.audio_queue = queue.Queue() def audio_callback(self, indata, frames, time, status): """声音输入回调函数，将音频数据放入队列""" if status: print(f"音频输入错误: {status}", file=sys.stderr) self.audio_queue.put(bytes(indata)) def start_listening(self): """开始实时监听麦克风并识别""" print("开始实时语音识别，请说话... (按 Ctrl+C 停止)") try: # 打开音频输入流 with sd.RawInputStream(samplerate=self.sample_rate, blocksize=8000, # 每次处理的音频块大小 dtype='int16', channels=1, callback=self.audio_callback): while True: # 从队列中获取音频数据 data = self.audio_queue.get() # 喂给识别器 if self.recognizer.AcceptWaveform(data): # AcceptWaveform返回True表示识别出一句完整的话 result = json.loads(self.recognizer.Result()) text = result.get("text", "") if text: print(f"\n识别结果: {text}") else: # 部分结果，可以用于实时反馈（如打字机效果） partial_result = json.loads(self.recognizer.PartialResult()) partial_text = partial_result.get("partial", "") if partial_text: # 在同一行刷新显示，模拟实时效果 sys.stdout.write(f"\r部分结果: {partial_text:<50}") sys.stdout.flush() except KeyboardInterrupt: print("\n\n监听已停止。") finally: # 获取最终结果 final_result = json.loads(self.recognizer.FinalResult()) print(f"最终识别文本: {final_result.get('text', '')}") # 使用示例 if __name__ == "__main__": # 替换为你的模型实际路径 MODEL_PATH = "./models/vosk-model-small-cn-0.22" asr_engine = RealtimeASR(MODEL_PATH) asr_engine.start_listening()

关键细节与避坑指南：

1. 采样率必须匹配：Vosk模型通常要求16000Hz的单声道PCM音频。如果你的麦克风默认是44100Hz，需要在sounddevice输入流中指定samplerate=16000，它会自动重采样。
2. blocksize的选择：这个值影响延迟和CPU占用。太小（如1024）会导致频繁回调，增加开销；太大（如16000）会导致识别延迟明显。8000或4000是常用值，代表每次处理0.5秒或0.25秒的音频。
3. AcceptWaveform与PartialResult：Vosil的核心是增量解码。AcceptWaveform返回True时，表示检测到一句话的结束（通常是静音段），这时Result()里是最终文本。而PartialResult提供的是中间结果，适合做实时字幕反馈。
4. 性能瓶颈：在树莓派等设备上运行，模型大小和blocksize是关键。使用vosk-model-small-*系列模型，并适当增大blocksize（如16000）可以减少计算压力。

3.3 场景三：调用阿里云语音识别API

当你的音频可以上传到云端，且需要最好的中文识别效果时，国内云服务是首选。这里以阿里云为例。

准备工作：

1. 注册阿里云账号，开通“智能语音交互”服务。
2. 在控制台创建AccessKey ID和AccessKey Secret。
3. 在“项目列表”中创建一个项目，并记下appkey。

安装SDK：

pip install aliyun-python-sdk-core # 核心库 pip install aliyun-python-sdk-nls-cloud-meta # 语音识别元数据 # 注意：阿里云SDK包名可能更新，请以官方文档为准

核心代码（以文件识别为例）：

from aliyunsdkcore.client import AcsClient from aliyunsdknls.cloudmeta.request.v20180518 import CreateTokenRequest from aliyunsdknls.cloudmeta.request.v20180518 import FileTransRequest import json import time class AliyunASR: def __init__(self, access_key_id, access_key_secret, appkey): """ 初始化阿里云ASR客户端 """ self.access_key_id = access_key_id self.access_key_secret = access_key_secret self.appkey = appkey self.client = AcsClient(access_key_id, access_key_secret, 'cn-shanghai') self.token = None self.token_expire_time = 0 def _get_token(self): """获取或刷新访问令牌，令牌有效期为24小时""" current_time = int(time.time()) if self.token and current_time < self.token_expire_time - 300: # 提前5分钟刷新 return self.token request = CreateTokenRequest.CreateTokenRequest() request.set_accept_format('json') response = self.client.do_action_with_exception(request) result = json.loads(response.decode('utf-8')) if result.get("Token") and result.get("ExpireTime"): self.token = result["Token"]["Id"] self.token_expire_time = result["Token"]["ExpireTime"] print(f"Token获取成功，过期时间戳: {self.token_expire_time}") else: raise Exception(f"获取Token失败: {result}") return self.token def transcribe_file(self, audio_file_path, format='wav', sample_rate=16000): """ 提交音频文件进行识别（异步） :param audio_file_path: 本地音频文件路径 :param format: 音频格式，支持 wav, mp3, aac, amr 等 :param sample_rate: 采样率，如 8000, 16000 :return: 识别任务ID """ token = self._get_token() request = FileTransRequest.FileTransRequest() request.set_Token(token) request.set_AppKey(self.appkey) # 设置音频文件参数 file_link = f"file://{audio_file_path}" # 本地文件前缀 request.set_FileLink(file_link) request.set_Format(format) request.set_SampleRate(sample_rate) # 其他可选参数 # request.set_EnableWords(True) # 是否开启词级时间戳 # request.set_EnableInverseTextNormalization(True) # 是否开启ITN（将“一二三”转为“123”） response = self.client.do_action_with_exception(request) result = json.loads(response.decode('utf-8')) if result.get("TaskId"): task_id = result["TaskId"] print(f"文件识别任务已提交，任务ID: {task_id}") return task_id else: raise Exception(f"提交识别任务失败: {result}") def get_transcription_result(self, task_id, max_retries=30, interval=2): """ 轮询获取识别结果 :param task_id: 任务ID :param max_retries: 最大轮询次数 :param interval: 轮询间隔（秒） :return: 识别文本 """ request = FileTransRequest.GetFileTransResultRequest() request.set_TaskId(task_id) for i in range(max_retries): print(f"轮询结果中... ({i+1}/{max_retries})") time.sleep(interval) response = self.client.do_action_with_exception(request) result = json.loads(response.decode('utf-8')) status = result.get("Status") if status == "RUNNING": continue elif status == "SUCCESS": sentences = result.get("Result", {}).get("Sentences", []) full_text = "".join([s.get("Text", "") for s in sentences]) print("识别成功！") return full_text elif status == "FAILED": error_msg = result.get("Result", {}).get("ErrorMessage", "未知错误") raise Exception(f"识别任务失败: {error_msg}") else: # 可能是QUEUING等状态 continue raise Exception(f"轮询超时，未获取到结果。最后状态: {result.get('Status')}") # 使用示例 if __name__ == "__main__": # 替换为你的实际信息 ACCESS_KEY_ID = "your-access-key-id" ACCESS_KEY_SECRET = "your-access-key-secret" APP_KEY = "your-appkey" AUDIO_FILE = "test.wav" asr_client = AliyunASR(ACCESS_KEY_ID, ACCESS_KEY_SECRET, APP_KEY) try: # 1. 提交识别任务 task_id = asr_client.transcribe_file(AUDIO_FILE, format='wav', sample_rate=16000) # 2. 轮询获取结果（对于长音频，这可能需要几十秒） text = asr_client.get_transcription_result(task_id, max_retries=30, interval=3) print("\n最终识别文本：") print(text) except Exception as e: print(f"处理过程中发生错误: {e}")

云端API调用核心经验：

1. 音频预处理是关键：云端API虽然强大，但“垃圾进，垃圾出”。在上传前，最好用pydub进行预处理：统一转换为单声道、16kHz采样率、去除首尾静音。这能显著提升识别准确率和降低处理时间。
2. 理解异步操作：文件识别通常是异步的，提交任务后立即返回一个TaskId，你需要用这个ID去轮询结果。设计程序时要考虑网络超时和重试机制。
3. 费用与配额管理：务必在控制台设置用量告警。对于测试，可以使用EnableWordTime（词级时间戳）等高级功能，但要清楚这些功能可能会产生额外费用。
4. 错误处理要周全：网络超时、认证失败、音频格式不支持、服务端内部错误……必须用try...except包裹核心调用，并给用户明确的错误提示。

4. 音频预处理与后处理：提升精度的关键步骤

很多新手拿到识别结果后觉得不准，第一反应是换模型或API，但其实问题可能出在音频本身或文本后处理上。

4.1 预处理：让模型“听清”

一个干净的音频输入是高质量识别的前提。使用pydub可以轻松完成常见预处理。

from pydub import AudioSegment from pydub.effects import normalize, compress_dynamic_range import os def preprocess_audio(input_path, output_path, target_format="wav"): """ 音频预处理流水线 """ # 1. 加载音频 print(f"加载音频: {input_path}") audio = AudioSegment.from_file(input_path) # 2. 转换为单声道（大多数ASR模型要求） if audio.channels > 1: print(f" 转换为单声道 (原 {audio.channels} 声道)") audio = audio.set_channels(1) # 3. 重采样至16kHz（标准采样率） if audio.frame_rate != 16000: print(f" 重采样至16kHz (原 {audio.frame_rate}Hz)") audio = audio.set_frame_rate(16000) # 4. 标准化音量（防止声音过小或过大） print(" 音量标准化") audio = normalize(audio) # 5. 可选：压缩动态范围（让小声部分变大，大声部分变小） # 适用于音量起伏很大的录音，如采访 # audio = compress_dynamic_range(audio, threshold=-20.0, ratio=4.0) # 6. 去除首尾静音（非常重要！） print(" 去除首尾静音") # 设置静音阈值（单位dBFS）和最小静音长度（毫秒） silence_thresh = -40 # 低于-40dBFS被认为是静音 min_silence_len = 500 # 持续500ms以上的静音段 # 使用detect_silence找到静音段，然后切片去除 non_silent_parts = pydub.silence.detect_nonsilent(audio, min_silence_len=min_silence_len, silence_thresh=silence_thresh) if non_silent_parts: start_ms = non_silent_parts[0][0] end_ms = non_silent_parts[-1][1] audio = audio[start_ms:end_ms] print(f" 去除静音后，音频时长从 {len(audio)/1000:.1f}s 变为 {len(audio)/1000:.1f}s") # 7. 导出为WAV格式（PCM编码，兼容性最好） print(f"导出处理后的音频至: {output_path}") audio.export(output_path, format=target_format, parameters=["-ac", "1", "-ar", "16000"]) return output_path # 使用示例 processed_file = preprocess_audio("raw_recording.m4a", "processed_audio.wav")

预处理心得：

• 静音切除是性价比最高的操作：模型把开头漫长的静音当成有效内容去“理解”，会浪费算力且可能引入奇怪错误。pydub.silence.detect_nonsilent参数需要根据你的音频调整。嘈杂环境下的“静音”阈值（silence_thresh）要设得高一些（如-30甚至-25）。
• 格式转换：虽然很多API支持mp3、aac，但最保险的格式永远是单声道、16kHz、PCM编码的WAV。这是所有语音识别引擎的“通用语言”。
• 批量处理：如果有很多文件，可以用glob获取文件列表，然后循环调用预处理函数。注意控制并发，避免内存耗尽。

4.2 后处理：让文本“读顺”

识别出来的原始文本通常存在一些通病：没有标点、中英文混杂、数字读法不符合习惯等。简单的规则后处理能极大提升可读性。

import re def postprocess_text(raw_text): """ 对ASR原始结果进行后处理 """ if not raw_text: return "" text = raw_text.strip() # 1. 简单句子分割（根据常见句末词） # 这是一个非常基础的规则，对于复杂文本效果有限，可以考虑用`punct`库或训练一个简单的标点恢复模型 sentence_enders = r'([。！？；\.\?!;])' text = re.sub(sentence_enders, r'\1\n', text) # 2. 修复常见的中英文混写空格问题（模型有时会把“Python代码”识别成“Python 代码”） # 移除中文和英文/数字之间多余的空格 text = re.sub(r'([\u4e00-\u9fff])\s+([a-zA-Z0-9])', r'\1\2', text) text = re.sub(r'([a-zA-Z0-9])\s+([\u4e00-\u9fff])', r'\1\2', text) # 但保留英文单词之间的空格 # 在英文单词和中文之间增加一个空格（视觉上更美观） text = re.sub(r'([a-zA-Z0-9])([\u4e00-\u9fff])', r'\1 \2', text) text = re.sub(r'([\u4e00-\u9fff])([a-zA-Z0-9])', r'\1 \2', text) # 3. 数字格式化（例如：将“一二三”转为“123”，但需要谨慎，可能误伤） # 此处演示一个简单版本：仅处理纯中文数字的短序列 # num_map = {'一':'1', '二':'2', '三':'3', '四':'4', '五':'5', '六':'6', '七':'7', '八':'8', '九':'9', '零':'0', '十':'10'} # 更复杂的数字处理建议使用专门库，或利用云服务自带的ITN（逆文本归一化）功能。 # 4. 去除重复的换行和空格 text = re.sub(r'\n+', '\n', text) text = re.sub(r'[ \t]+', ' ', text) # 5. 首字母大写（针对英文，可选） # 将每个句子的第一个英文字母大写（简单规则） def capitalize_sentence(match): return match.group(1) + match.group(2).capitalize() text = re.sub(r'([。！？；\.\?!;\n]\s*)([a-z])', capitalize_sentence, text) return text.strip() # 使用示例 raw_result = "你好今天我们要学习python编程 请打开代码编辑器 第一课是打印helloworld" processed = postprocess_text(raw_result) print("原始文本：", raw_result) print("后处理后：", processed) # 输出可能为： # 原始文本： 你好今天我们要学习python编程 请打开代码编辑器 第一课是打印helloworld # 后处理后： 你好今天我们要学习Python编程。请打开代码编辑器。第一课是打印helloworld。

后处理进阶思路：

• 标点恢复：上述基于规则的句末分割很弱。对于中文，可以尝试pypinyin结合语言模型，或者直接使用如BART等预训练模型微调一个标点恢复模型，这是目前效果最好的方法。
• 数字与单位标准化：将“一百二十”转为“120”，“三点五公斤”转为“3.5公斤”。这需要构建一个复杂的规则引擎或使用序列标注模型。
• 领域术语纠正：如果你处理的是特定领域（如医疗、法律）的音频，可以构建一个该领域的术语词典，用模糊匹配（如fuzzywuzzy库）将识别出的近似词纠正为标准术语。

5. 性能优化与常见问题排查

在实际部署中，你会遇到性能、稳定性等各种问题。这里记录一些典型场景和解决方案。

5.1 性能优化策略

1. 模型选择与量化

• 本地模型：在资源受限环境下，模型大小就是生命线。Vosk提供small和tiny模型，Whisper也有tiny和base。一个经验法则是：先试用最小的模型，如果精度不可接受，再换大一号的。
• 模型量化：如果你使用PyTorch加载Whisper，可以考虑使用torch.quantization进行动态量化，能在几乎不损失精度的情况下减少内存占用并提升CPU推理速度。

2. 音频流处理与分块对于实时或长音频处理，不要一次性加载整个音频文件到内存。

# 使用生成器流式读取大音频文件 def audio_chunk_generator(file_path, chunk_duration_ms=30000): """将长音频按固定时长分块生成""" audio = AudioSegment.from_file(file_path) length_ms = len(audio) for start in range(0, length_ms, chunk_duration_ms): end = min(start + chunk_duration_ms, length_ms) chunk = audio[start:end] # 导出为临时WAV文件或直接使用字节流 yield chunk # 然后遍历生成器，对每个chunk进行识别

3. 并发与批处理

• I/O密集型（云端API）：使用concurrent.futures.ThreadPoolExecutor进行并发调用，可以显著缩短处理多个文件的总时间。但要注意API的速率限制（QPS）。
• CPU密集型（本地模型）：使用multiprocessing池，将音频文件列表分给多个进程并行处理。注意，大型模型加载到每个进程内存中会成倍增加总内存消耗，需要权衡进程数和内存容量。

5.2 常见问题与排查清单

当你遇到识别效果差、程序崩溃等问题时，可以按以下清单排查：

5.3 一个实用的调试技巧：可视化音频

当识别结果不理想时，直接“看”音频往往比听更有用。用librosa或matplotlib可以快速绘制波形和频谱图，检查是否有 clipping（削顶）、持续噪声或音量过低的问题。

import librosa import librosa.display import matplotlib.pyplot as plt import numpy as np def visualize_audio(file_path): """绘制音频波形和频谱图""" y, sr = librosa.load(file_path, sr=None) # 保持原始采样率 duration = len(y) / sr fig, ax = plt.subplots(2, 1, figsize=(12, 8)) # 1. 波形图 times = librosa.times_like(y, sr=sr) ax[0].plot(times, y) ax[0].set(title=f'Waveform - {file_path}', xlabel='Time (s)', ylabel='Amplitude') ax[0].axhline(y=0.8, color='r', linestyle='--', alpha=0.5, label='Possible Clipping (0.8)') ax[0].axhline(y=-0.8, color='r', linestyle='--', alpha=0.5) ax[0].legend() ax[0].grid(True) # 2. 频谱图（语谱图） D = librosa.amplitude_to_db(np.abs(librosa.stft(y)), ref=np.max) img = librosa.display.specshow(D, y_axis='log', x_axis='time', sr=sr, ax=ax[1]) ax[1].set(title='Spectrogram', xlabel='Time (s)', ylabel='Frequency (Hz)') fig.colorbar(img, ax=ax[1], format="%+2.0f dB") plt.tight_layout() plt.show() # 打印基础信息 print(f"Duration: {duration:.2f} seconds") print(f"Sample Rate: {sr} Hz") print(f"Max Amplitude: {np.max(np.abs(y)):.4f} (接近1.0表示可能削顶)") print(f"Average Amplitude (RMS): {np.sqrt(np.mean(y**2)):.4f}") # 使用 visualize_audio("your_audio.wav")

通过波形图，你可以一眼看出音量是否均匀，是否有 clipping（波形被“削平”）。通过频谱图，你可以看到背景噪声（通常是低频或高频的连续横线）和语音的清晰度。一个干净的、音量适中的音频，其识别成功率会高很多。