Vosk 离线语音识别指南：三步装好，把任意音频转成文字

Vosk 离线语音识别指南：三步装好，把任意音频转成文字

【免费下载链接】vosk-apiOffline speech recognition API for Android, iOS, Raspberry Pi and servers with Python, Java, C# and Node项目地址: https://gitcode.com/GitHub_Trending/vo/vosk-api

会议室没信号、音频里有敏感数据不能上传云端，语音转文字怎么办？Vosk 就是为这类场景准备的离线语音识别 API：识别在本地完成，音频不经过任何服务器。它支持 20 多种语言，语言模型只有 50MB 左右，从树莓派、手机到服务器集群都能跑。如果你要做实时字幕、离线语音助手，或者想给 App 加上语音输入，这个项目值得放进你的工具箱。

特性速览：模型小，能力却不小

• 完全离线，隐私可控：识别全程在本地设备执行，医疗记录、内部会议这类敏感音频可以安心处理。
• 流式识别，零延迟响应：把音频按块喂给识别器就能边说边出结果，适合实时字幕和语音助手这类需要即时反馈的场景。
• 多语言覆盖：英、中、日、法、德、西、俄、土耳其、越南、阿拉伯等 20+ 语言，每种语言都能独立下载对应模型。
• 跨语言绑定齐全：核心是 C++ 实现（见 src/），官方提供 Python、Java、Node.js、C#、Go、Ruby 等绑定，android/ 和 ios/ 目录下有现成的移动端工程。

三步跑起来：装依赖、下模型、转第一条音频

第一步，安装 Python 模块（其他语言绑定可跳过这步，直接看对应目录的 README）：

pip install vosk

第二步，从官方网站的模型库下载对应语言模型（如 en-us），解压到本地目录备用。

第三步，把仓库里的示例拉下来对照着改，克隆命令：

git clone https://gitcode.com/GitHub_Trending/vo/vosk-api

然后写一个最小脚本，一条 WAV 就能转出来：

import wave from vosk import Model, KaldiRecognizer model = Model(lang="en-us") wf = wave.open("test.wav", "rb") rec = KaldiRecognizer(model, wf.getframerate()) while True: data = wf.readframes(4000) if len(data) == 0: break if rec.AcceptWaveform(data): print(rec.Result()) print(rec.FinalResult())

注意 Vosk 要求音频是 16bit 单声道 PCM 的 WAV 格式，格式不对时建议先用 ffmpeg 转一下。

实战场景：字幕、批量转写、说话人分离

视频自动配字幕。python/example/test_srt.py 演示了完整链路：用 ffmpeg 把任意视频抽成 16kHz 单声道音频流，再交给识别器的SrtResult方法，直接得到带时间轴的 SRT 字幕。想接麦克风做实时转写，可以看同目录下的 test_microphone.py。

大批量音频文件处理。一段段跑KaldiRecognizer够用，但文件一多，批量识别接口效率更高。Go 侧的 go/batch_example/ 展示了BatchModel+BatchRecognizer的用法，还能用GPUInit()开启 GPU 加速；C++ 核心实现见 src/batch_model.cc。

区分不同说话人。识别之外，Vosk 附带说话人识别能力。python/example/test_speaker.py 加载说话人模型，配合SpkModel输出"这句话是谁说的"，底层实现在 src/spk_model.cc。做会议纪要、访谈整理时，这正好补上"谁在什么时候说了什么"里缺的一半。

进阶技巧：让识别更快、更准

按场景选模型。资源受限的设备（树莓派、手机）用小型模型，内存占用低、加载快；追求准确率再上大模型。同一语言往往有多档可选，先小后大是最稳的路线。

用词表约束降噪。如果你的识别范围很确定——比如只识别数字指令——可以在创建识别器时传入词表 JSON，并用SetGrammar动态更新。参考 python/example/test_words.py，词表收敛后误识别会明显减少。

打开词级结果，方便做高亮和纠错。rec.SetWords(True)之后结果里会带上每个词的时间戳，做字幕对齐、关键词高亮都靠它，见 test_simple.py。调试期建议SetLogLevel(-1)关掉日志噪音，定位问题再调回 0 看细节。

下一步：从示例目录开始

最直接的入口是 python/example/，里面每个脚本都是独立可跑的完整案例，改个参数就能实验；Node.js 用户从 nodejs/demo/ 起步，Go 用户看 go/example/。模型下好、示例跑通，你就已经具备搭建离线语音应用的全部积木了 🚀

【免费下载链接】vosk-apiOffline speech recognition API for Android, iOS, Raspberry Pi and servers with Python, Java, C# and Node项目地址: https://gitcode.com/GitHub_Trending/vo/vosk-api