AI之“耳”:让AI听懂世界,用Whisper一键生成“会议纪要” | 超越文本③
作者：微信文章AI之“耳”：让AI听懂世界，用Whisper一键生成“会议纪要” | 超越文本③
【超越文本 · AI之“耳”】
作者：AI喵智能体
哈喽，各位AI探险家们，欢迎回到我们的 《超越文本：AI的多模态魔法世界》系列！我是你们的向导喵喵 🤖。
在 【AI之“眼”】中，我们让AI看懂了世界；在 【AI之“笔”】中，我们让AI画出了想象。今天，我们将开启全新的感官——听觉！
你每天都在和Siri、小爱同学对话，有没有想过，它们是如何“听懂”我们的话，甚至在嘈杂的地铁里也能精准识别出“播放下一首”的指令？
这背后，就是AI的“耳朵”—— 语音识别（Speech-to-Text, STT）技术在施展魔法。今天，我们不仅要揭秘这项技术的原理，还要亲手用代码，打造一个超实用的“会议纪要”生成器！
一、AI如何“倾听”？
AI“听懂”声音的过程，和我们人类学习语言有些相似，但它的学习资料库要庞大得多。
海量“听力”训练：AI模型会“收听”数百万小时、带有文字标注的音频数据。这就像一个学生，把全世界的“英语听力磁带”都听了一遍。学习声音模式：在这个过程中，AI学会了将声音的物理特征（声波的频率、振幅等），与语言的基本单元（音素、单词、句子结构）对应起来。预测与转写：当接收到一段新的录音时，AI会分析其声学特征，然后在它庞大的“知识库”中进行匹配，预测出最有可能产生这段声音的文字序列，最终输出我们看到的文本。
二、认识王者：OpenAI的Whisper
在众多STT技术中，由OpenAI开源的 Whisper模型，无疑是当前最闪耀的明星之一，被誉为STT领域的“黄金标准”。
它的强大之处在于：
超高准确率：Whisper对背景噪音、口音、以及专业术语的识别能力极强，表现非常稳健。多语言大师：它不仅能转写中文、英文，还支持全球数十种主流语言的识别、翻译和语种检测。开源与API：它既提供了方便开发者直接调用的API，也开放了模型本身，可以进行本地化部署，保护数据隐私。
今天，我们就将使用它强大的API，来完成我们的实战项目。
三、 【本期实践】用Python和Whisper打造“会议纪要”生成器
想象一下，开完一个小时的会，你只需要把录音文件交给程序，几分钟后，一份完整的文字纪要就自动生成了。是不是很酷？让我们现在就来实现它！
第一步：准备工作
安装OpenAI库：在终端运行 pip install openai-whisper。下载whisper模型：可以去
https://huggingface.co/datasets/ggerganov/whisper.cpp/tree/main/models
下载对应模型。然后放到models目录下。
whisper 模型分为base, small, medium, large， 大小不同，精度不同，速度不同，占用空间不同
准备音频文件：准备一个音频文件，比如 meeting.mp3或 meeting.m4a。你可以用手机录一段自己的即兴演讲，或者截取一段你喜欢的播客片段。确保把它和你的Python脚本放在同一个文件夹里。
代码结构：
第二步：编写核心代码
创建一个Python文件，比如 transcribe_app.py，然后输入以下代码。喵喵已经为你加上了最详细的注释：
# -----------------------------------------------------
# 喵喵实战室：Whisper API 会议纪要生成器
# -----------------------------------------------------
import whisper
import os
# 设置模型名称
model_name = "base"
# 设置模型文件路径
model_dir = "./models"
def transcribe_audio(audio_path):
"""
将音频文件转换为文字
参数:
audio_path: 音频文件的路径
返回:
转换后的文字内容
"""
# 加载模型 (可选择不同大小的模型: tiny, base, small, medium, large)
model = whisper.load_model(model_name, download_root=model_dir)
# 执行转录
result = model.transcribe(audio_path)
# 返回转录文本
return result["text"]
def save_text(content, file_name):
# 将结果保存到 results文件夹下
if not os.path.exists("results"):
os.makedirs("results")
path = f"results/{file_name}"
# 使用 utf-8 编码
with open(path, "w", encoding="utf-8") as f:
f.write(content)
return path
if __name__ == "__main__":
# 示例使用
# 当前目录下有一个音频文件 "meeting.mp3"
audio_file = "./meeting.mp3"# 替换为你的音频文件路径
text = transcribe_audio(audio_file)
print("转录结果:", text)第三步：运行与检验
在终端里，运行你的脚本： python transcribe_app.py
程序会开始上传并处理你的音频。根据文件大小，等待几十秒到几分钟后，你就会在终端里看到完整的转写文字，
📮 如果你喜欢这篇文章...
请 点赞 + 关注「AI喵智能体」 ❤️ 我会继续更新更多
留言“实战”获取完整源码！
系列预告
今天，我们成功为AI装上了灵敏的“耳朵”，并用它解决了一个真实世界的问题——整理会议录音！
我们的AI已经能看懂世界、画出想象、听懂我们说的话。现在，是时候让它 “开口”了。
下周，《超越文本》第四期：AI之“口”，我们将深入文本转语音（TTS）的世界，并亲手用代码，将任何一篇文章，都变成一段由AI朗读的、富有感情的“播客”！敬请期待！
觉得今天的实战让你收获满满吗？别忘了给这个系列一个点赞、在看和分享！
AI喵智能体
通俗讲AI，带你做实战。 关注我，和AI一起成长。
#超越文本
📌更多稳定优质账号资源：Lovart AI、Viggle AI Pro、Claude、ChatGPT、Midjourney、Notion AI、GitHub Copilot ……
📥想了解都可以扫码问我👇
一键解锁 chatGPT4.0、GPT-4o、Claude3、Gemini就在 开发喵AI已集成国外各种大模型，致力于解决用户魔法上网、答案高要求、内容高标准已内置 100余种 命令与角色无论是学习、生活、工作都是你的不二选择还等什么，赶快上车！(公众号发送ai 了解详情)
页:
[1]