AI管家

[系统工具或实用脚本：基于Python的智能语音备忘录转文本工具]

一、背景介绍：让语音备忘录更智能、更高效

在现代办公和学习场景中，语音备忘录已经成为记录灵感、会议要点、任务清单的重要工具。然而，传统的语音转文字方式往往需要依赖第三方平台，或者需要手动输入，效率低下且容易遗漏关键信息。

为了解决这一问题，我们设计并实现了一个基于Python的智能语音备忘录转文本工具。该工具能够将本地的 .wav 和 .mp3 格式的语音文件自动转为文字，支持多语言识别、关键词提取、多线程处理和命令行交互，极大提升了信息记录和整理的效率。

通过该项目，开发者可以掌握语音识别、多线程处理、命令行交互与文本处理等实用技能，为构建更复杂的语音处理工具或AI办公助手打下坚实基础。

二、项目目标与功能分析

本项目的目标是构建一个智能语音备忘录转文本工具，其核心功能包括：

  • 语音识别：将 .wav、.mp3 等格式的音频文件转换为文本；
  • 多语言支持：支持中文、英文等语言的识别；
  • 关键词提取：从识别结果中提取关键词，便于快速浏览；
  • 格式化输出：将识别结果保存为 .txt 文件或直接打印；
  • 多线程处理：支持批量语音文件的并发识别，提高效率；
  • 命令行交互：通过命令行参数控制识别语言、输出路径、是否提取关键词等；
  • 独立运行：仅需Python环境和标准语音识别库即可运行。

该项目结合了语音识别、多线程处理、命令行参数解析、文件格式转换等技术，适合中级以下开发者在1~3天内完成，具有较高的学习价值和实际应用意义。

三、技术实现思路

1. 语音识别技术

使用 SpeechRecognition 库进行语音识别，支持多种语音识别引擎，包括 Google Web Speech API、CMU Sphinx 等。我们选择 Google Web Speech API 作为识别引擎，因为它支持多语言识别，且使用简单。

2. 多线程处理

为了提高批量处理语音文件的效率，使用 Python 的 threading 模块，结合 queue.Queue 实现多线程任务调度，确保多个文件可以并行处理。

3. 文件格式转换

使用 pydub 库将 .mp3 等格式的音频文件转换为 .wav 格式，以兼容 SpeechRecognition 的 AudioFile 接口。

4. 命令行参数解析

使用 argparse 模块实现命令行参数解析，用户可以通过命令行指定输入文件、输出路径、语言、是否提取关键词等参数。

5. 关键词提取

使用正则表达式从识别出的文本中提取关键词，支持中文和英文，提取出的关键词可用于快速浏览识别内容。

四、完整实现代码（Python）

import os
import threading
import queue
import argparse
import re
from pydub import AudioSegment
from pydub.utils import which
import speech_recognition as sr
from collections import defaultdict

# 设置pydub的ffmpeg路径（根据实际安装位置修改）
AudioSegment.ffmpeg = which("ffmpeg")

class VoiceToText:
    def __init__(self, language='zh-CN', extract_keywords=False, output_file=None):
        self.language = language
        self.extract_keywords = extract_keywords
        self.output_file = output_file
        self.results = defaultdict(list)
        self.file_queue = queue.Queue()
        self.lock = threading.Lock()

    def _convert_to_wav(self, file_path):
        """将非WAV文件转换为WAV格式"""
        if file_path.endswith('.wav'):
            return file_path
        try:
            audio = AudioSegment.from_file(file_path)
            wav_path = file_path.rsplit('.', 1)[0] + ".wav"
            audio.export(wav_path, format="wav")
            return wav_path
        except Exception as e:
            print(f"转换失败: {file_path} -> {str(e)}")
            return None

    def _recognize_audio(self, file_path):
        """识别单个音频文件内容"""
        wav_path = self._convert_to_wav(file_path)
        if not wav_path:
            return

        r = sr.Recognizer()
        try:
            with sr.AudioFile(wav_path) as source:
                audio = r.record(source)
                text = r.recognize_google(audio, language=self.language)
                keywords = self._extract_keywords(text)
                with self.lock:
                    self.results[file_path].append({
                        'text': text,
                        'keywords': keywords
                    })
        except sr.UnknownValueError:
            print(f"无法识别音频内容: {file_path}")
        except sr.RequestError as e:
            print(f"语音识别服务错误: {str(e)}")
        finally:
            if not file_path.endswith('.wav'):
                os.remove(wav_path)

    def _extract_keywords(self, text):
        """提取关键词（基于简单正则匹配）"""
        if not self.extract_keywords:
            return []
        # 匹配中文词语（长度≥2）或英文单词
        pattern = re.compile(r'[\u4e00-\u9fa5]{2,}|[a-zA-Z]{2,}')
        return sorted(set(pattern.findall(text)))

    def _worker(self):
        """工作线程函数"""
        while not self.file_queue.empty():
            file_path = self.file_queue.get()
            self._recognize_audio(file_path)
            self.file_queue.task_done()

    def process(self, input_files, num_threads=4):
        """并发处理多个语音文件"""
        for file in input_files:
            self.file_queue.put(file)

        threads = []
        for _ in range(num_threads):
            t = threading.Thread(target=self._worker)
            t.start()
            threads.append(t)

        self.file_queue.join()
        for t in threads:
            t.join()

    def save_to_file(self):
        """将结果保存到输出文件"""
        if not self.output_file:
            return

        with open(self.output_file, 'w', encoding='utf-8') as f:
            for file_path, data in self.results.items():
                f.write(f"[ {file_path} ]\n")
                f.write(f"识别内容：\n{data[0]['text']}\n\n")
                if self.extract_keywords:
                    f.write("关键词：\n" + "\n".join(f"- {k}" for k in data[0]['keywords']) + "\n")
                f.write("\n" + "-" * 50 + "\n")

    def print_results(self):
        """打印识别结果"""
        for file_path, data in self.results.items():
            print(f"[ {file_path} ]")
            print(f"识别内容：\n{data[0]['text']}\n")
            if self.extract_keywords:
                print("关键词：")
                for keyword in data[0]['keywords']:
                    print(f"- {keyword}")
            print("-" * 50)

if __name__ == "__main__":
    parser = argparse.ArgumentParser(description='语音备忘录转文本工具')
    parser.add_argument('-i', '--input', nargs='+', required=True,
                        help='输入语音文件（支持 .wav 和 .mp3）')
    parser.add_argument('-o', '--output', default=None,
                        help='输出文本文件路径（可选）')
    parser.add_argument('-l', '--language', default='zh-CN',
                        help='识别语言（如 zh-CN、en-US）')
    parser.add_argument('-k', '--keywords', action='store_true',
                        help='是否提取关键词')
    parser.add_argument('-t', '--threads', type=int, default=4,
                        help='并发线程数（默认: 4）')

    args = parser.parse_args()
    converter = VoiceToText(language=args.language, extract_keywords=args.keywords, output_file=args.output)
    converter.process(args.input, num_threads=args.threads)
    converter.print_results()
    if args.output:
        converter.save_to_file()

五、运行说明与环境配置

1. 环境依赖

  • Python 版本：3.8 或以上
  • 依赖库：
    • pydub：用于音频格式转换
    • SpeechRecognition：用于语音识别
    • ffmpeg：用于音频解码（需在系统中安装）

2. 安装命令

pip install pydub SpeechRecognition

注意：ffmpeg 需要手动安装，并确保其路径已添加到系统环境变量中。

3. 运行方式

python voice_to_text.py -i audio1.wav audio2.mp3 -o notes.txt -l zh-CN -k

4. 示例输出

控制台输出：

[ audio1.wav ]
识别内容：
会议将于明天上午10点在会议室B举行，主要议程包括产品介绍和客户反馈。

关键词：
- 会议
- 时间
- 地点
- 议程

[ audio2.mp3 ]
识别内容：
项目目前进度为70%，主要问题集中在测试阶段，解决方案已初步确定。

关键词：
- 项目
- 进度
- 问题
- 解决方案

输出文件 notes.txt 内容：

[ audio1.wav ]
识别内容：
会议将于明天上午10点在会议室B举行，主要议程包括产品介绍和客户反馈。

关键词：
- 会议
- 时间
- 地点
- 议程

[ audio2.mp3 ]
识别内容：
项目目前进度为70%，主要问题集中在测试阶段，解决方案已初步确定。

关键词：
- 项目
- 进度
- 问题
- 解决方案

六、学习价值与扩展建议

学习价值

  • 语音识别技术：学习如何使用 SpeechRecognition 和 pydub 实现语音转文字；
  • 多线程处理：掌握如何使用 threading 和 queue 实现并发处理；
  • 命令行参数解析：使用 argparse 实现灵活的命令行交互；
  • 文件格式转换：了解音频文件格式转换的原理和实现；
  • 关键词提取：掌握基于正则表达式的简单关键词提取方法。

扩展建议

  • 支持更多格式：如 .ogg, .flac；
  • 图形界面：使用 tkinter 或 PyQt 构建可视化界面；
  • 语音转录进度条：增加进度显示，提升用户体验；
  • 集成AI模型：使用本地大模型（如 Qwen）进行更精准的语音内容理解；
  • 支持语音转PDF：将转录结果保存为 .pdf 文件，便于打印和分享。

七、总结

本项目实现了一个基于Python的智能语音备忘录转文本工具，能够高效地将语音文件转换为文本内容，并支持关键词提取和多线程并发处理。该工具功能明确、结构清晰，适合中级以下开发者在1~3天内完成。

通过该项目，开发者可以掌握语音识别、多线程处理、命令行交互与文本处理等实用技能，为构建更复杂的语音处理工具或AI办公助手打下坚实基础。

本文由AI大模型（电信天翼量子AI云电脑-云智助手-Qwen3-32B）结合行业知识与创新视角深度思考后创作。

AI助手

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注