phper8的博客

随着短视频和播客等音视频内容的快速发展，语音转文字的需求日益增长。本项目采用双引擎架构，结合Vosk（离线场景）和Whisper（多语言支持）两大开源语音识别模型，提供高效的音视频转文字解决方案。核心特性包括多语言支持（中文、英文等）、多格式支持（MP4、MOV、WAV等）和智能输出（纯文本、JSON、SRT）。技术优势体现在双引擎协同、智能分段和灵活配置上，适应不同硬件和场景需求。项目适用于内容创作、商业应用和个人使用，未来计划增强实时转录、多声道分离和性能优化。

本文详细记录了在宝塔面板服务器上部署语音转文字(Whisper)全栈Demo，通过宝塔面板搭建Python环境，部署支持中英文语音转写的Streamlit应用。关键步骤包括：克隆项目代码、安装ffmpeg工具、设置反向代理、手动下载Whisper模型文件等。文章提供了两种模型选择(base/medium)的对比建议，并展示了实际转写效果示例。该项目适合作为低成本AI应用实践，可用于会议记录、教育转写等场景，文末还给出了项目源码地址。

在开发使用 FastApi 框架的 Python 某项目时，IDE中的Conda 环境配置没有起作用，修改配置文件将Conda 环境配置优先，就得以解决。