如何用Python实现系统声音流式传输及语音转文本识别？

问题核心 #

你遇到的问题本质是：

• speech_recognition库的Microphone类仅支持输入设备（麦克风），直接指定扬声器索引会因设备类型不匹配报错
• soundcard的record()方法是批量捕获固定时长音频，无法直接对接流式实时识别的需求

解决方案：结合soundcard流式捕获 + speech_recognition识别 #

核心思路是用soundcard实时捕获小块扬声器回环音频，转换成speech_recognition兼容的格式后，调用识别接口实现实时转写。

完整可运行代码 #

import speech_recognition as sr
import soundcard as sc
import numpy as np

# 基础配置
SAMPLERATE = 48000
# 单次捕获的音频块时长（建议0.3-1秒，太短会导致识别失败）
CHUNK_DURATION = 0.5
CHUNK_FRAMES = int(SAMPLERATE * CHUNK_DURATION)

# 获取系统扬声器的回环捕获设备
loopback_device = sc.get_microphone(id=str(sc.default_speaker().name), include_loopback=True)

recognizer = sr.Recognizer()
# 提前用回环音频校准环境噪音
with loopback_device.recorder(samplerate=SAMPLERATE) as mic:
    calibrate_data = mic.record(numframes=int(SAMPLERATE * 1))
    # 转换为speech_recognition需要的AudioData格式
    calibrate_audio = sr.AudioData(
        (calibrate_data[:, 0] * 32767).astype(np.int16).tobytes(),
        SAMPLERATE,
        2  # 16位音频深度，对应2字节
    )
    recognizer.adjust_for_ambient_noise(calibrate_audio, duration=1)

# 启动流式捕获与识别
with loopback_device.recorder(samplerate=SAMPLERATE) as mic:
    while True:
        try:
            # 捕获小块音频
            chunk_data = mic.record(numframes=CHUNK_FRAMES)
            # 格式转换：soundcard输出float32范围[-1,1] → 转int16字节流（符合语音识别要求）
            audio_data = sr.AudioData(
                (chunk_data[:, 0] * 32767).astype(np.int16).tobytes(),
                SAMPLERATE,
                2
            )
            # 调用Google语音识别
            text = recognizer.recognize_google(audio_data, language='en-US').lower()
            print(f"识别结果：{text}")
        except sr.UnknownValueError:
            # 音频无法识别时跳过
            continue
        except sr.RequestError as e:
            print(f"识别服务请求失败：{e}")
        except Exception as e:
            print(f"其他错误：{e}")

关键细节说明 #

1. 回环设备获取：include_loopback=True参数会将扬声器的输出模拟为麦克风输入，解决了直接指定扬声器索引报错的问题
2. 格式转换：soundcard输出的是float32类型数据，需缩放转换为int16字节流才能被speech_recognition的AudioData接受
3. 块时长调整：CHUNK_DURATION不要设置过短（小于0.3秒），否则音频片段不足以被识别服务解析

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