VOSK 离线中文语音识别实战：精准转文字、格式避坑全解析

言简意赅的讲解VOSK解决的痛点

💡 推荐配套阅读 → XTTS实现语音克隆：精确控制音频格式与生成流程【TTS的实战指南】
这篇文章详细讲解了音频在语音克隆中的处理流程，也提到了一个常见但容易忽略的问题——双声道音频在语音工具中经常导致错误，本篇将对此问题深入剖析并提供实战代码！

🧠 什么是 VOSK？

VOSK 是一款轻量级、支持多语言的 离线语音识别引擎，支持：

• 零依赖运行在本地，不需要联网
• 多语言识别（包含中文）
• 支持 Raspberry Pi、服务器甚至 Android 端部署
• 高准确率，适配普通话、方言、短语音等语境

📎 示例语音下载

在本案例中，我们将使用以下样例音频进行识别：

🎧 下载链接：克隆过滤版output.wav

⚠️ 音频格式踩坑警告（必看）

VOSK 对音频格式的要求非常严格，以下是它的硬性要求：

❌ 如果你传入了双声道音频，将报如下错误：

Audio file must be WAV format mono PCM.

这意味着你的音频格式无法解析！

✅ 正确的音频预处理方式

在你传入音频到 VOSK 之前，务必预处理音频为 mono 声道、16kHz、16位 PCM，推荐使用 torchaudio 处理：

import torchaudio

def convert_to_mono_16k(input_path, output_path):
    signal, sr = torchaudio.load(input_path)
    if signal.shape[0] > 1:
        signal = signal.mean(dim=0, keepdim=True)  # 转为 mono
    if sr != 16000:
        resampler = torchaudio.transforms.Resample(sr, 16000)
        signal = resampler(signal)
    torchaudio.save(output_path, signal, 16000)

🧪 VOSK 中文识别核心代码

import wave
import sys
import json
from vosk import Model, KaldiRecognizer, SetLogLevel

SetLogLevel(0)

wf = wave.open(sys.argv[1], "rb")
if wf.getnchannels() != 1 or wf.getsampwidth() != 2 or wf.getcomptype() != "NONE":
    print("Audio file must be WAV format mono PCM.")
    sys.exit(1)

model = Model(lang="cn")
rec = KaldiRecognizer(model, wf.getframerate())
rec.SetWords(True)

results = []

while True:
    data = wf.readframes(4000)
    if len(data) == 0:
        break
    if rec.AcceptWaveform(data):
        result = json.loads(rec.Result())
        results.append(result.get("text", ""))

# 添加 FinalResult
final_result = json.loads(rec.FinalResult())
results.append(final_result.get("text", ""))

# 输出完整识别文本
full_text = " ".join([r for r in results if r])
print("\n✅ 识别完成：")
print(full_text)

🚀 使用步骤总结

1️⃣ 克隆 VOSK 官方仓库：

git clone https://github.com/alphacep/vosk-api.git
cd vosk-api/python/example

2️⃣ 准备音频并执行识别：

将处理好的音频放入当前目录：

python ./test_simple.py 克隆过滤版output.wav

3️⃣ 示例输出结果：

✅ 识别完成：
如果 帮助 到 了 您 请 一键 三连 关注 博客 文浩 楠博万 感谢您 的 支持

📦 模型说明与更多语言支持

你也可以手动下载并加载 VOSK 的离线模型，中文模型推荐：

• vosk-model-cn-0.22 官方下载地址

加载方式如下：

model = Model("models/vosk-model-cn-0.22")

🧠 应用场景拓展

✅ 总结

• VOSK 是功能强大的离线语音识别工具，适合中文本地识别需求；
• 使用前务必将音频转换为单声道、16kHz、16-bit PCM，否则将报错；
• 脚本结构清晰，可用于快速部署在视频字幕、对话识别等场景中；
• 推荐结合我前篇 TTS 博客一同参考，掌握音频在识别与合成之间的完整处理流程。

📌 再次推荐点击阅读 ➤
👉 XTTS实现语音克隆：精确控制音频格式与生成流程【TTS的实战指南】

通过上述内容，你就已经基本理解了这个方法，基础用法我也都有展示。如果你能融会贯通，我相信你会很强

Best
Wenhao (楠博万)