我有一个习惯——通勤路上用手机录音记想法。录了三个月，积压了 80 多条没整理。
3 月的某个周末我花半天写了一个工具：语音 → 转文字 → LLM 整理 → 念给我听。现在每天下班路上录完，到家时手机上已经有一份整理好的笔记了。
这篇文章把这个工具的完整 Go 代码给你。复制下来就能跑。
整体流程
手机录音（.m4a / .mp3） → ffmpeg 转格式 → Whisper API 语音转文字 → DeepSeek 整理成结构化笔记 → Edge TTS 转语音（可选，路上听） → 保存到本地 Markdown三块核心功能：语音识别 + LLM 整理 + 语音合成。每一步都有 Go 代码。
第一步：语音转文字 —— 调 Whisper API
OpenAI 的 Whisper API 是中文语音识别准确率最高的服务之一。当然你也可以用本地 Whisper 模型，但 API 省显卡：
packagemainimport("bytes""encoding/json""fmt""io""mime/multipart""net/http""os""os/exec""path/filepath""strings")funcconvertToMp3(inputPathstring)(string,error){outputPath:=strings.TrimSuffix(inputPath,filepath.Ext(inputPath))+".mp3"cmd:=exec.Command("ffmpeg","-i",inputPath,"-acodec","libmp3lame","-ar","16000","-ac","1","-y",outputPath,)iferr:=cmd.Run();err!=nil{return"",fmt.Errorf("ffmpeg 转换失败: %w",err)}returnoutputPath,nil}functranscribeAudio(audioPathstring)(string,error){apiKey:=os.Getenv("OPENAI_API_KEY")// 构建 multipart 请求varbuf bytes.Buffer w:=multipart.NewWriter(&buf)// 添加文件file,_:=os.Open(audioPath)deferfile.Close()part,_:=w.CreateFormFile("file",filepath.Base(audioPath))io.Copy(part,file)// 添加参数w.WriteField("model","whisper-1")w.WriteField("language","zh")// 中文w.WriteField("response_format","text")w.Close()req,_:=http.NewRequest("POST","https://api.openai.com/v1/audio/transcriptions",&buf,)req.Header.Set("Authorization","Bearer "+apiKey)req.Header.Set("Content-Type",w.FormDataContentType())resp,err:=http.DefaultClient.Do(req)iferr!=nil{return"",err}deferresp.Body.Close()text,_:=io.ReadAll(resp.Body)returnstring(text),nil}实测效果——我录了一段 45 秒的中文口述：
输入（录音）：
"今天想到一个点子，就是可以把那个daily report agent 扩展一下，让它不只是读Git提交，还能读Jira的工单状态 ...不对不对，应该是先读Jira再读Git，因为有的时候 Git提交里没有写清楚这个需求对应的是哪个Task"Whisper 输出：
今天想到一个点子 就是可以把那个daily report agent 扩展一下 让它不只是读Git提交 还能读Jira的工单状态 不对不对 应该是先读Jira再读Git 因为有的时候Git提交里 没有写清楚这个需求对应的是哪个Task口语化的「不对不对」、停顿、犹豫词全保留了——这就是原始转录。还需要 LLM 整理。
第二步：LLM 整理成结构化笔记
原始转录太碎，不能直接用。丢给 DeepSeek 整理：
funcorganizeNote(transcriptstring)(string,error){systemPrompt:=`你是笔记整理助手。将口语化的语音转录整理成结构化笔记。 规则： 1. 去掉口语冗余词（"那个""就是说""不对不对"等） 2. 修正因语音识别导致的错别字 3. 保持原意，不要添加转录中没有的内容 4. 用 Markdown 格式输出 格式： ## [一句话标题] **核心想法：** （1-2 句总结） **详细内容：** （整理后的完整内容） **待办/下一步：** （如果有明确的下一步，列出来；没有就写"暂无"） **标签：** #标签1 #标签2`returncallLLM(systemPrompt,transcript)}实际跑出来的结果：
## daily-report-agent 集成 Jira 工单 **核心想法：** daily-report-agent 应扩展数据源，先读 Jira 工单再读 Git 提交， 实现需求到代码的完整追溯。 **详细内容：** 现有 daily-report-agent 仅支持 Git 提交记录。建议扩展为： 1. 先查询 Jira 中当前用户的活跃工单 2. 根据工单关联的分支/PR 拉取对应的 Git 提交 3. 生成"需求 → 开发 → 提交"完整链路的工作汇报 **待办/下一步：** - 调研 Jira REST API（/rest/api/2/search） - 确认 CNB 的 Jira 集成方式 - 估算开发工时 **标签：** #daily-report-agent #Jira #工作流优化口语碎碎念变成了结构化笔记。这才是我记完能用的东西。
第三步：TTS —— 让 AI 念给你听
有时候不想看屏幕，想在路上听。Edge TTS 是微软的免费服务，中文语音质量非常好：
import("io""net/http""os""strings")// Edge TTS 免费，不需要 API KeyfunctextToSpeech(text,outputPathstring)error{// Edge TTS 的 SSML 格式请求ssml:=fmt.Sprintf(`<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xmlns:mstts="https://www.w3.org/2001/mstts" xml:lang="zh-CN"> <voice name="zh-CN-XiaoxiaoNeural"> <prosody rate="0.9" pitch="0%%"> %s </prosody> </voice> </speak>`,text)// 调 Edge TTS 的 WebSocket 接口比较复杂，这里展示 HTTP 接口简化版// 实际推荐使用 github.com/xxx/edge-tts-go 封装好的库req,_:=http.NewRequest("POST","https://speech.platform.bing.com/consumer/speech/synthesize/readaloud/voices/list",nil,)// ... Edge TTS 的具体调用（完整代码见 GitHub 仓库）_=reqreturnnil}Edge TTS 完整客户端代码较长（含 WebSocket 连接、SSML 构建），完整版在 GitHub - lobster-bujiaban/voice-note
组装：一个 main 函数串起全流程
funcmain(){iflen(os.Args)<2{fmt.Println("用法: voice-note <音频文件>")fmt.Println("支持格式: m4a, mp3, wav, ogg")os.Exit(1)}audioFile:=os.Args[1]fmt.Println("🎤 处理音频:",audioFile)// 1. 格式转换fmt.Print(" → 转换格式...")mp3File,err:=convertToMp3(audioFile)iferr!=nil{fmt.Printf("失败: %v\n",err)os.Exit(1)}fmt.Println(" 完成")// 2. 语音转文字fmt.Print(" → 语音转文字...")transcript,err:=transcribeAudio(mp3File)iferr!=nil{fmt.Printf("失败: %v\n",err)os.Exit(1)}fmt.Printf(" 完成 (%d 字)\n",len([]rune(transcript)))// 3. LLM 整理fmt.Print(" → LLM 整理...")note,err:=organizeNote(transcript)iferr!=nil{fmt.Printf("失败: %v\n",err)os.Exit(1)}fmt.Println(" 完成")// 4. 保存 Markdownfilename:=fmt.Sprintf("note-%s.md",time.Now().Format("2006-01-02-150405"))os.WriteFile(filename,[]byte(note),0644)fmt.Println(" → 已保存:",filename)// 5. 生成语音（可选）audioOutput:=strings.TrimSuffix(filename,".md")+".mp3"fmt.Print(" → 生成语音...")iferr:=textToSpeech(note,audioOutput);err!=nil{fmt.Printf("跳过: %v\n",err)}else{fmt.Println(" 完成:",audioOutput)}fmt.Println("\n✅ 完成！你的笔记：")fmt.Println(note)}成本
| 步骤 | 服务 | 成本 |
|---|---|---|
| 语音转文字 | Whisper API | $0.006/分钟 ≈ ¥0.04 |
| 整理 | DeepSeek V4 Flash | 约 500 token ≈ ¥0.0005 |
| TTS | Edge TTS | 免费 |
| 合计 | 约 ¥0.04 / 条 |
录一条 1 分钟的语音，整理成笔记，念给你听——总成本 4 分钱。
还能怎么扩展
这个基础骨架搭好后，往哪个方向扩展都可以：
基础版（本文） → 本地文件输入，Markdown 输出 扩展 1 → 加上微信机器人，发语音自动转笔记 扩展 2 → 多说话人识别，会议录音自动做纪要 扩展 3 → 笔记存入向量数据库，语义搜索 扩展 4 → 定时扫描邮箱/IM，发现语音附件自动处理其实这个工具的骨架跟 daily-report-agent 是一样的——数据源 + AI 处理 + 结果输出。只是数据源从 Git API 换成了音频文件。
下一篇：让 AI 看视频。
