Python Vosk语音识别：自动适配WAV采样率解决识别异常问题

• 在线转换后的WAV文件存在采样率元数据与实际音频数据不匹配的问题：wave库读取的是文件头记录的采样率，但部分文件的文件头被错误修改（仅改了元数据却未实际重采样音频），导致识别器用错误的采样率初始化，无法正确解析音频数据，输出无意义内容。
• 你之前用librosa.load(audio_file, sr=48000)是强制将音频重采样到48000，但如果原音频实际采样率不是48000，这种强制重采样会导致音频失真，依然无法被正确识别。

要实现自动化适配，核心是先获取音频的真实采样率，再统一转换为Vosk模型支持的采样率（你的代码中模型对应96000），步骤如下：

1. 获取音频真实采样率
   使用librosa不强制重采样的方式加载音频，得到实际采样率：

   import librosa
   y, actual_sr = librosa.load("a.wav", sr=None)  # sr=None表示保留原始采样率
   

2. 统一重采样到目标采样率
   将音频转换为Vosk模型要求的采样率（这里是96000）：

   target_sr = 96000
   if actual_sr != target_sr:
       y = librosa.resample(y, orig_sr=actual_sr, target_sr=target_sr)
   

3. 转换为Vosk兼容的音频格式并识别
   Vosk需要16位单声道PCM格式的音频数据，转换后传入识别器：

   import vosk
   import numpy as np
   
   # 将浮点音频转换为16位PCM字节流
   audio_pcm = (y * 32767).astype(np.int16).tobytes()
   
   # 初始化识别器（使用目标采样率）
   rec = vosk.KaldiRecognizer(model, target_sr)
   rec.AcceptWaveform(audio_pcm)
   print(rec.FinalResult())
   

补充说明：

• 若你的Vosk模型支持多种采样率，也可以直接用真实采样率初始化识别器，但统一转换为模型训练时用的采样率（比如96000）能获得更好的识别效果。
• 如果音频是立体声，记得先转成单声道：y = librosa.to_mono(y)，Vosk默认只支持单声道输入。

内容的提问来源于stack exchange，提问作者Alerto