飞书语音识别 ASR

触发条件

• - 用户发送飞书语音消息
• 用户要求将语音转为文字
• 用户提到语音识别、转文字

工作流程

1. 获取语音文件

从飞书消息中获取语音文件的file_key，下载为.ogg或.m4a格式。

2. 音频格式转换

使用Python soundfile将音频转换为16kHz采样的WAV格式：

python
import soundfile as sf
audio, sr = sf.read(voice_file)

如果是立体声，转为单声道

if len(audio.shape) > 1:
audio = audio.mean(axis=1)
sf.write(output.wav, audio, 16000)

3. 使用Whisper识别

python
import os
os.environ[HF_ENDPOINT] = https://hf-mirror.com # 国内镜像

from transformers import WhisperForConditionalGeneration, WhisperProcessor, WhisperFeatureExtractor
import soundfile as sf

读取音频

audio, sr = sf.read(output.wav) if len(audio.shape) > 1: audio = audio.mean(axis=1)

加载模型

processor = WhisperProcessor.from_pretrained(openai/whisper-tiny) model = WhisperForConditionalGeneration.from_pretrained(openai/whisper-tiny) featureextractor = WhisperFeatureExtractor.frompretrained(openai/whisper-tiny)

识别

inputfeatures = featureextractor(audio, samplingrate=16000, returntensors=pt).input_features with torch.no_grad(): predictedids = model.generate(inputfeatures)

result = processor.batchdecode(predictedids, skipspecialtokens=True)[0]

依赖安装

bash
pip install torch transformers soundfile

模型选择

• - whisper-tiny: 75MB，适合CPU，最快
• whisper-base: 142MB，精度更好
• whisper-small: 466MB，精度高

注意事项

• - 首次运行需要下载模型（约75MB-3GB）
• 建议使用国内镜像：HF_ENDPOINT=https://hf-mirror.com
• 模型会自动检测语言