企业官网建设流程全解析

如何用Vosk做离线语音识别：树莓派、手机、服务器都能跑的50MB模型终极指南

【免费下载链接】vosk-apiOffline speech recognition API for Android, iOS, Raspberry Pi and servers with Python, Java, C# and Node项目地址: https://gitcode.com/GitHub_Trending/vo/vosk-api

Vosk 是一个不需要联网的离线语音识别工具包，一条 pip 命令装好，就能在笔记本、树莓派或 Android 手机上把音频转成文字。50MB 的模型、流式 API（边接收音频边吐文字，不用等整段录完）、零延迟出结果，是它最大的亮点。

Vosk 能帮你做什么：四件马上能完成的事

• 离线转写：丢一个 WAV 文件进去，直接输出文字，不需要网络，音频不离开你的设备。
• 实时字幕：说话的同时文字就出来，适合直播字幕、语音对话机器人。
• 一键生成 SRT 字幕：给电影、课程视频生成带时间轴的字幕文件。
• 说话人识别：用 SpkModel 声纹模型区分"现在是谁在说话"。
• 随处能跑：Android、iOS、树莓派到服务器集群都支持，覆盖中、英、俄、日、德等 20 多种语言方言。

三条命令跑通：装包、备音频、出结果

第一步，装 Python 包。打开终端，执行一条命令：

pip3 install vosk

第二步，准备一个示例音频。要求单声道、16 位 PCM 编码的 WAV 文件（下面示例叫它 test.wav）。

第三步，写最小识别脚本。新建 transcribe.py，粘贴下面代码，用音频路径作参数运行；首次运行会自动下载英文小模型：

import wave import sys from vosk import Model, KaldiRecognizer wf = wave.open(sys.argv[1], "rb") model = Model(lang="en-us") rec = KaldiRecognizer(model, wf.getframerate()) while True: data = wf.readframes(4000) if len(data) == 0: break if rec.AcceptWaveform(data): print(rec.Result()) else: print(rec.PartialResult()) print(rec.FinalResult())

执行后终端会实时打印识别结果。官方仓库里的完整示例在 python/example/test_simple.py，旁边还有十个以上变体可抄。

离线语音识别落地：三个真实场景

字幕编辑：痛点是逐句人工听写又慢又贵，成片音频又不能交给外部服务。Vosk 离线转写后，用 SrtResult() 直接产出带时间轴的 SRT 字幕文件（参考 python/example/test_srt.py），拿到就能进剪辑软件。

智能音箱 / 聊天机器人开发者：痛点是在线语音识别每次都要网络往返，且音频必须出网。Vosk 完全跑在端侧，流式接口说话即响应，隐私不出设备。

课程与访谈转写：一到两小时的长录音，离线批量转写当天就能拿到全文初稿，再人工校对个别同音词。

10 秒对比：Vosk 和其他语音识别方案怎么选

上游方面，Vosk 的模型训练基于 Kaldi 语音识别工具包，本仓库则是其上的多语言 API、绑定与示例层。

下一步建议：三个现在就能做的动作

1. 跑通 Demo 后，打开 python/example/ 目录，接着跑 test_words.py 看单词级时间戳，跑 test_speaker.py 体验说话人识别。
2. 手边有树莓派的话，把它装上试试 50MB 小模型，直观感受识别速度，再决定要不要上服务器模型。
3. 需要中文识别时，把脚本里的 lang="en-us" 换成对应语言代码即可自动下载模型，支持语言清单见 README.md。

【免费下载链接】vosk-apiOffline speech recognition API for Android, iOS, Raspberry Pi and servers with Python, Java, C# and Node项目地址: https://gitcode.com/GitHub_Trending/vo/vosk-api