录音转写工具 🎤📝

一个功能强大的Windows桌面录音转写软件，集成了多种先进的语音识别引擎，支持实时录音、音频文件转写和智能音频源管理。

✨ 核心功能

🎙️ 智能录音系统

• 多设备支持: 自动检测并管理麦克风和设备音频输入
• 实时监控: 可视化音频输入状态和音量指示
• 动态控制: 录音过程中可实时切换音频源
• 高质量录制: 16kHz采样率，专为语音识别优化
• 自动保存: 录音文件自动命名为 recording_YYYYMMDD_HHMMSS.wav

🤖 多引擎语音识别

• Google Speech Recognition (在线)

  • 高准确率中文识别
  • 需要网络连接
  • 快速响应

• OpenAI Whisper (离线)

  • 支持多种模型：turbo、small、base、tiny
  • GPU/CPU自适应加速
  • 无需网络连接
  • 专为中文优化

• BELLE-2/Belle-whisper-large-v3-turbo-zh (离线)

  • 专为中文语音识别优化的先进模型
  • 基于Whisper架构的中文增强版本
  • 支持GPU加速，显著提升处理速度
  • 更高的中文识别准确率

📊 实时转写功能

• 边录边转: 录音过程中实时显示转写结果
• 智能缓冲: 5秒音频缓冲，平衡准确率和实时性
• 动态更新: 转写结果实时更新到界面
• 状态监控: 实时显示转写状态和进度

🎵 多格式音频支持

• 原生支持: WAV, FLAC
• 转换支持: MP3, M4A, AAC（需要ffmpeg）
• 智能处理: 自动音频格式转换和优化
• 批量处理: 支持单个文件和批量文件处理

💻 现代化界面

• 三栏布局: 转写结果、执行日志、音频源控制
• 实时状态: 可视化音频输入状态和设备监控
• 智能日志: 详细的操作日志和错误诊断
• 响应式设计: 支持窗口缩放和布局调整

🔧 系统要求

基础要求

• 操作系统: Windows 10/11
• Python版本: 3.7+
• 内存: 建议4GB以上
• 存储: 至少2GB可用空间（用于模型下载）

硬件要求

• 音频设备: 麦克风或音频输入设备
• GPU: 可选，支持CUDA的显卡可显著提升Whisper/BELLE模型性能
• 网络: 可选，Google引擎需要网络连接

🚀 快速开始

1. 环境准备

# 克隆项目
git clone <repository-url>
cd reco-tran

# 安装Python依赖
pip install -r requirements.txt

# 如果PyAudio安装失败，使用以下方法：
pip install pipwin
pipwin install pyaudio

2. 启动程序

python audio_transcriber.py

3. 首次使用

1. 程序启动后会自动检测音频设备
2. 在"音频源控制"面板中选择合适的音频设备
3. 选择识别引擎（Google/Whisper）
4. 如果选择Whisper，首次使用会自动下载模型

📖 详细使用指南

🎤 录音功能

1. 设备配置

   • 在右侧"音频源控制"面板中启用所需的音频源
   • 选择合适的麦克风或设备音频
   • 观察音量指示器确认设备工作正常

2. 开始录音

   • 点击"开始录音"按钮
   • 观察实时时长显示
   • 如果启用"实时转写"，可以看到实时转写结果

3. 停止录音

   • 点击"停止录音"按钮
   • 录音文件自动保存到程序目录
   • 转写结果显示在左侧文本区域

🎵 文件转写

1. 点击"打开音频文件"选择音频文件
2. 选择合适的识别引擎
3. 点击"开始转写"等待处理完成
4. 转写结果自动显示在文本区域

💾 结果管理

• 保存文本: 将转写结果保存为TXT文件
• 编辑文本: 可以直接在文本区域编辑结果
• 清空文本: 清除当前显示的所有文本
• 日志查看: 在中间面板查看详细的操作日志

⚙️ 高级配置

🎛️ 音频参数调整

在 audio_transcriber.py 中可以调整以下参数：

self.rate = 16000        # 采样率（推荐16kHz）
self.channels = 1        # 声道数（单声道）
self.chunk = 1024        # 缓冲区大小
self.buffer_duration = 5 # 实时转写缓冲时长（秒）

🤖 模型选择策略

• Google引擎: 适合网络环境良好，需要快速响应的场景
• BELLE模型: 适合中文内容，离线使用，有GPU加速的场景
• Whisper模型: 适合多语言内容，离线使用的通用场景

🔧 性能优化

• GPU加速: 确保安装了CUDA和对应的PyTorch版本
• 内存优化: 关闭不必要的后台程序
• 存储优化: 定期清理录音文件和模型缓存

🛠️ 技术架构

核心技术栈

• GUI框架: Tkinter（原生跨平台界面）
• 音频处理: PyAudio（录音）+ PyDub（格式转换）
• 语音识别: SpeechRecognition + OpenAI Whisper + Transformers
• 深度学习: PyTorch（模型推理）
• 并发处理: Threading（多线程音频处理）

架构特点

• 模块化设计: 音频录制、设备管理、语音识别分离
• 异步处理: 录音和转写并行执行
• 智能缓存: 模型和音频数据智能缓存
• 错误恢复: 完善的异常处理和错误恢复机制

🔍 故障排除

音频设备问题

症状: 无法检测到音频设备或录音无声 解决方案:

1. 检查Windows音频设备设置
2. 确认麦克风权限已开启
3. 重启程序重新检测设备
4. 检查音频驱动程序

模型下载问题

症状: Whisper/BELLE模型下载失败 解决方案:

1. 检查网络连接
2. 确保有足够的磁盘空间（至少2GB）
3. 尝试使用VPN或更换网络环境
4. 手动下载模型文件到缓存目录

音频格式转换失败

症状: "系统找不到指定的文件"错误 解决方案:

# 方法1：安装imageio-ffmpeg（推荐）
pip install imageio-ffmpeg

# 方法2：手动安装ffmpeg
# 1. 下载ffmpeg: https://ffmpeg.org/download.html
# 2. 解压到C:\ffmpeg
# 3. 添加C:\ffmpeg\bin到系统PATH
# 4. 重启程序

# 验证安装
ffmpeg -version

GPU加速问题

症状: 模型运行缓慢，未使用GPU 解决方案:

1. 确认显卡支持CUDA
2. 安装对应版本的CUDA Toolkit
3. 安装GPU版本的PyTorch：

   pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
   

4. 重启程序检查GPU状态

转写准确率问题

优化建议:

• 使用高质量麦克风
• 在安静环境中录音
• 说话清晰，语速适中
• 选择合适的识别引擎
• 对于中文内容优先使用BELLE模型

📊 性能基准

模型性能对比

硬件要求建议

🔮 开发计划

近期计划

• 支持更多音频格式（OGG, OPUS）
• 添加音频预处理功能（降噪、增强）
• 支持自定义热键控制
• 添加转写结果导出格式（Word, PDF）

中期计划

• 支持多语言混合识别
• 添加说话人分离功能
• 集成更多语音识别引擎
• 支持云端模型API

长期计划

• 开发Web版本
• 支持移动端应用
• 添加AI摘要功能
• 集成翻译功能

🤝 贡献指南

如何贡献

1. Fork本项目
2. 创建特性分支 (git checkout -b feature/AmazingFeature)
3. 提交更改 (git commit -m 'Add some AmazingFeature')
4. 推送到分支 (git push origin feature/AmazingFeature)
5. 创建Pull Request

代码规范

• 遵循PEP 8代码风格
• 添加适当的注释和文档
• 确保新功能有对应的测试
• 更新相关文档

📄 许可证

本项目采用MIT许可证 - 查看 LICENSE 文件了解详情

🙏 致谢

• OpenAI Whisper - 强大的语音识别模型
• BELLE-2 - 优秀的中文语音识别模型
• SpeechRecognition - 语音识别库
• PyAudio - 音频处理库

⚠️ 免责声明

本软件仅供学习和个人使用。使用本软件进行录音时，请遵守当地法律法规，尊重他人隐私权。开发者不承担因使用本软件而产生的任何法律责任。

---

如果这个项目对您有帮助，请给个⭐️支持一下！