Vosk 介绍
Vosk是一款基于深度学习的开源语音识别工具，能够在没有云连接的情况下进行高效的离线语音识别。它通过对语音信号进行预处理、特征提取和模型推断，将语音转换成文本。Vosk不仅支持多种主流编程语言，还覆盖了20多种语言和方言，包括英语、中文、法语、德语等，为跨语言应用提供了强大的支持。
工作原理
Vosk的语音识别过程可以分为以下几个关键步骤：
- 语音信号预处理：对输入的语音信号进行去噪、增强等处理，以提高识别准确性。
- 特征提取：从处理后的语音信号中提取出能够表征语音特性的关键特征。
- 模型推断：利用预训练的深度学习模型对提取的特征进行识别，输出对应的文本。
优势解析
隐私保护：Vosk的离线特性意味着用户的语音数据不会离开设备，有效保护了用户的隐私。
实时性：在设备端进行语音识别，减少了网络传输时间和延迟，使得识别过程更加实时。
跨平台：支持Windows、Linux、macOS以及嵌入式设备等多种平台，便于在不同场景下的应用。
可扩展性：作为开源项目，Vosk允许开发者根据自己的需求进行定制和优化，以适应不同的应用场景。
多语言支持：提供对多种语言和方言的识别能力，为跨国应用提供了便利。
官方 https://alphacephei.com/vosk/
模型下载 https://alphacephei.com/vosk/models
GO项目搭建
本文基于Linux，Windows请参考官方仓库的说明
创建go程序
创建go程序内容如下：
package main
import (
"encoding/json"
"flag"
"fmt"
"io"
"log"
"os"
vosk "github.com/alphacep/vosk-api/go"
)
func main() {
var filename string
flag.StringVar(&filename, "f", "", "file to transcribe")
flag.Parse()
model, err := vosk.NewModel("model")
if err != nil {
log.Fatal(err)
}
// we can check if word is in the vocabulary
// fmt.Println(model.FindWord("air"))
sampleRate := 16000.0
rec, err := vosk.NewRecognizer(model, sampleRate)
if err != nil {
log.Fatal(err)
}
rec.SetWords(1)
file, err := os.Open(filename)
if err != nil {
panic(err)
}
defer file.Close()
buf := make([]byte, 4096)
for {
_, err := file.Read(buf)
if err != nil {
if err != io.EOF {
log.Fatal(err)
}
break
}
if rec.AcceptWaveform(buf) != 0 {
fmt.Println(rec.Result())
}
}
// Unmarshal example for final result
var jres map[string]interface{}
json.Unmarshal([]byte(rec.FinalResult()), &jres)
fmt.Println(jres["text"])
}
下载模型
同时需要下载对应的模型，我这里使用中文的模型 https://alphacephei.com/vosk/models/vosk-model-small-cn-0.22.zip
下载好以后解压到程序目录，重命名为代码中模型目录的名字model
下载链接库
同时下载相关的链接库 ，最新的为 https://github.com/alphacep/vosk-api/releases/tag/v0.3.45 找到linux对应的vosk-linux-x86_64-0.3.45.zip然后也解压。
准备待识别的语音文件
需要wav格式的文件，好像mp3不能识别
运行和调试项目
运行下面的命令进行识别
VOSK_PATH=`pwd`/vosk-linux-x86_64-0.3.45 LD_LIBRARY_PATH=$VOSK_PATH CGO_CPPFLAGS="-I $VOSK_PATH" CGO_LDFLAGS="-L $VOSK_PATH" go
run . -f tiaoguo.wav
识别结果
LOG (VoskAPI:ReadDataFiles():model.cc:213) Decoding params beam=12 max-active=5000 lattice-beam=4
LOG (VoskAPI:ReadDataFiles():model.cc:216) Silence phones 1:2:3:4:5:6:7:8:9:10
LOG (VoskAPI:RemoveOrphanNodes():nnet-nnet.cc:948) Removed 0 orphan nodes.
LOG (VoskAPI:RemoveOrphanComponents():nnet-nnet.cc:847) Removing 0 orphan components.
LOG (VoskAPI:ReadDataFiles():model.cc:248) Loading i-vector extractor from model-small/ivector/final.ie
LOG (VoskAPI:ComputeDerivedVars():ivector-extractor.cc:183) Computing derived variables for iVector extractor
LOG (VoskAPI:ComputeDerivedVars():ivector-extractor.cc:204) Done.
LOG (VoskAPI:ReadDataFiles():model.cc:282) Loading HCL and G from model-small/graph/HCLr.fst model-small/graph/Gr.fst
LOG (VoskAPI:ReadDataFiles():model.cc:308) Loading winfo model-small/graph/phones/word_boundary.int
少爷