LiveWhisper：基于 OpenAI Whisper 的实时语音转录工具

LiveWhisper 是一个基于 OpenAI Whisper 的实时语音转录工具，能够在终端中实现伪实时的逐句听写。它通过麦克风实时监听音频，当检测到语音时自动录制，静音时则将音频发送至 Whisper 进行转录。

项目简介

LiveWhisper 由 Nik Stromberg 开发，是一个开源的 Python 项目，在 GitHub 上已获得 358 stars。该项目使用 sounddevice 库替代 pyaudio 进行音频采集，解决了部分系统无法使用 pyaudio 的问题。

项目包含两个主要组件：

• livewhisper.py - 核心实时转录模块
• assistant.py - 基于转录功能的语音助手

核心特性

• 实时转录：逐句识别语音并输出到终端
• 智能触发：基于音量和频率阈值自动开始/停止录制
• 多模型支持：支持 Whisper 的多种模型尺寸（tiny, base, small, medium, large）
• 英语优化：可选择使用英语专用模型提升识别准确率
• 翻译功能：支持将非英语内容翻译为英文
• 低延迟：通过音频块处理和临时文件机制实现快速响应
• 语音助手：内置类 Siri/Alexa 的语音命令助手功能

技术栈

• Python 3 - 主要编程语言
• OpenAI Whisper - 语音识别模型
• sounddevice - 音频采集库
• numpy - 数值计算
• scipy - 音频文件处理
• pyttsx3 - 语音合成（助手功能）
• BeautifulSoup - 网页解析（助手功能）

安装指南

前置要求

• Python 3.7+
• 已安装 OpenAI Whisper
• 麦克风设备

安装步骤

# 克隆仓库
git clone https://github.com/Nikorasu/LiveWhisper.git
cd LiveWhisper

# 安装依赖
pip install -r requirements.txt

requirements.txt 内容：

openai-whisper
numpy
sounddevice
scipy

语音助手额外依赖

如需使用 assistant.py 语音助手功能，还需安装：

pip install requests pyttsx3 wikipedia bs4

# Linux 系统需安装 espeak
sudo apt-get install espeak python3-espeak

快速开始

基础实时转录

python livewhisper.py

运行后将显示 "Listening.."，开始说话即可看到实时转录结果。按 Ctrl+C 退出。

配置参数

在 livewhisper.py 中可调整以下参数：

Model = 'small'     # Whisper 模型尺寸：tiny, base, small, medium, large
English = True      # 使用英语专用模型
Translate = False   # 翻译非英语内容为英文
SampleRate = 44100  # 采样率
BlockSize = 30      # 音频块大小（毫秒）
Threshold = 0.1     # 音量阈值
Vocals = [50, 1000] # 人声频率范围（Hz）
EndBlocks = 40      # 静音检测块数

使用示例

场景 1：作为模块导入

from livewhisper import StreamHandler

class MyApp:
    def __init__(self):
        self.running = True
        self.talking = False
        self.analyze = self.process_text

    def process_text(self, text):
        print(f"识别结果: {text}")
        # 自定义处理逻辑

# 启动监听
app = MyApp()
handler = StreamHandler(app)
handler.listen()

场景 2：语音助手

python assistant.py

唤醒词默认为 "computer"，也可使用 "hey computer" 或 "okay computer"。

支持的语音命令：

场景 3：自定义唤醒词

在 assistant.py 中修改唤醒词：

AIname = "jarvis"  # 将唤醒词改为 "jarvis"

工作原理

1. 音频采集：使用 sounddevice 以 44.1kHz 采样率采集麦克风输入
2. 语音检测：通过 FFT 分析频率，结合音量阈值判断是否为人声
3. 缓冲录制：检测到语音时开始缓冲，静音达到阈值时停止
4. Whisper 转录：将录制的音频保存为 WAV 文件，调用 Whisper 模型转录
5. 结果输出：将识别结果输出到终端或通过回调函数传递给上层应用

注意事项

• 噪音消除：媒体控制功能建议启用系统级的回声/噪音消除
• 模型选择：tiny 模型速度最快但准确率较低，large 模型准确率最高但需要更多显存
• Linux 用户：如遇音频设备问题，可尝试配置 PulseAudio 的噪音消除功能

项目链接

• GitHub 仓库：https://github.com/Nikorasu/LiveWhisper
• Whisper 官方：https://github.com/openai/whisper
• 作者主页：https://github.com/Nikorasu

许可证

MIT License - 详见项目 LICENSE 文件