Python中使用Vosk获取音频文件中转录文本对应时间位置的方法

解决方案 #

Vosk 的 KaldiRecognizer 原生就支持输出单词级时间戳，不需要自行通过采样点推算，操作方法如下：

1. 初始化识别器后开启单词详情输出开关
   在你创建识别器实例的代码后新增一行调用 SetWords(True)：

sample_rate=16000
model = Model("model")
rec = KaldiRecognizer(model, sample_rate)
# 新增这行开启单词时间戳输出
rec.SetWords(True)

2. 读取返回结果中的单词详情
   开启开关后，rec.Result() 和 rec.FinalResult() 返回的 JSON 结构中会多出 result 字段，该字段是数组格式，每个元素对应一个识别到的单词，包含四个属性：

• word：单词文本内容
• start：单词在音频中的开始时间，单位为秒
• end：单词在音频中的结束时间，单位为秒
• conf：该单词的识别置信度，取值0-1，数值越高准确度越高

你可以参考如下修改后的写入逻辑，同时保存文本和时间戳信息：

while True:
    data = process.stdout.read(4000)
    if len(data) == 0:
        break
    if rec.AcceptWaveform(data):
        res = json.loads(rec.Result())
        # 先写入每个单词的时间信息
        if 'result' in res:
            for word_item in res['result']:
                file.write(f"{word_item['word']} | 开始：{word_item['start']:.2f}s | 结束：{word_item['end']:.2f}s | 置信度：{word_item['conf']:.2f}\n")
        # 再写入整段识别结果
        file.write(f"整段结果：{res['text']}\n\n")
# 处理最后一段识别结果，推荐使用 FinalResult 替代 Result 确保返回完整信息
final_res = json.loads(rec.FinalResult())
if 'result' in final_res:
    for word_item in final_res['result']:
        file.write(f"{word_item['word']} | 开始：{word_item['start']:.2f}s | 结束：{word_item['end']:.2f}s | 置信度：{word_item['conf']:.2f}\n")
file.write(f"整段结果：{final_res['text']}")
file.close()

注意事项 #

• 如果调用 SetWords 时报错，可先升级 vosk 库到最新版本，旧版本未开放该接口
• rec.PartialResult() 返回的是未稳定的中间识别结果，即使开启了单词开关，返回的时间戳和内容也可能后续调整，最终结果请以 Result() 和 FinalResult() 的返回为准

内容的提问来源于stack exchange，提问作者chrisroode