如何在Windows系统中基于Vosk实现实时音频转文字（STT）？

1. 先搞定依赖安装 #

• 基础依赖：执行 pip install vosk 安装Vosk核心库
• 音频输入依赖PyAudio：直接用pip install pyaudio可能会失败，建议用Windows专用的pipwin安装：

  pip install pipwin
  pipwin install pyaudio
  

2. 准备Vosk模型 #

下载对应语言的Vosk预训练模型（比如中文通用模型），解压到本地任意路径，记住该路径后续要用到。

3. 实时音频识别代码示例 #

以下是可直接运行的实时麦克风音频获取+识别代码，适配Windows环境：

import vosk
import pyaudio
import json

# 初始化Vosk模型，替换为你的模型解压路径
model_path = "D:/models/vosk-model-small-cn-0.22"
model = vosk.Model(model_path)

# 初始化音频输入流
p = pyaudio.PyAudio()
stream = p.open(format=pyaudio.paInt16,
                channels=1,
                rate=16000,
                input=True,
                frames_per_buffer=8192)
stream.start_stream()

# 实时识别循环
print("开始说话，按Ctrl+C停止")
try:
    while True:
        data = stream.read(4096)
        if len(data) == 0:
            break
        result = model.SpeechRecognizer().AcceptWaveform(data)
        if result:
            # 解析并输出识别结果
            text = json.loads(result)["text"]
            if text:
                print(f"识别结果：{text}")
except KeyboardInterrupt:
    print("\n停止识别")
finally:
    stream.stop_stream()
    stream.close()
    p.terminate()

关键注意事项 #

• 采样率匹配：代码中的rate=16000要与你下载的模型采样率一致，大部分Vosk模型默认是16kHz，若模型为其他采样率需对应修改。
• 音频设备选择：如果有多个麦克风，可在p.open()中添加device_index=N参数（N为设备编号，可通过p.get_device_count()和p.get_device_info_by_index(N)查看设备信息）。
• 模型路径：确保使用绝对路径，避免相对路径导致的模型加载失败。

常见问题解决 #

• PyAudio安装报错：用pipwin安装基本能解决Windows下的编译问题；若仍失败，可下载对应Python版本的PyAudio .whl文件，通过pip install 文件名.whl安装。
• 模型加载失败：检查路径是否正确，确认模型文件夹解压完整（需包含model.json等核心文件）。

内容的提问来源于stack exchange，提问作者kenikF