如何在Flask后端直接转录音频无需本地存储？

你可以直接在内存中处理前端上传的音频数据，无需写入本地文件。OpenAI Whisper的transcribe()方法支持接收类文件对象（只要实现了read()方法），因此我们可以用BytesIO将上传的音频数据包装成内存中的文件对象，直接传给Whisper处理。

修改步骤 #

1. 导入BytesIO模块：在Flask后端代码中添加from io import BytesIO，用于在内存中存储音频数据
2. 移除本地文件保存逻辑：删掉生成UUID文件名、拼接存储路径、保存文件的代码
3. 直接处理内存中的音频数据：将上传的音频文件读取为字节流，用BytesIO包装后传入model.transcribe()

修改后的完整Flask后端代码 #

from flask import render_template, request, jsonify, Blueprint
from app import app
from io import BytesIO  # 新增导入
import whisper

# 若不再使用本地存储相关配置，可删除以下行
# UPLOADED_FOLDER = '/mnt/d/whisper-backend/recordings'
# MODEL_PATH_LARGE = '/mnt/d/whisper-backend/models/large-v2.pt'
# MODEL_PATH_TINY = '/mnt/d/whisper-backend/models/tiny.pt'

model = whisper.load_model('./models/tiny.pt')

translate_route_blueprint = Blueprint("translate", __name__)

@translate_route_blueprint.route('/translate', methods=['POST'])
def translate():
    audio_file = request.files['audio']
    # 将音频数据读入内存中的BytesIO对象
    audio_stream = BytesIO(audio_file.read())
    
    transcription = ""
    translation_1 = ""
    # 直接传入内存流进行转录，无需本地文件
    result = model.transcribe(audio_stream)
    transcription = result["text"]
    
    return jsonify({'translation1': transcription, 'translation2': translation_1})

说明 #

• 前端代码无需任何修改，已经通过FormData正确发送了音频Blob数据
• BytesIO会在内存中临时存储音频数据，请求处理完成后自动释放，不会产生本地文件
• Whisper会自动识别音频格式（前端传的WAV格式完全兼容）

内容的提问来源于stack exchange，提问作者Jayanta Basumatary