树莓派3B+Python开发个人助手：语音转文本（STT）功能求助

嘿，我懂你折腾4个月做个人助手的那份执着——树莓派3B虽然不是性能最优选择，但用来实现这个需求完全够用！针对你提到的「语音转文本+自动识别语句结束并生成可处理字符串」的问题，给你两个实用的本地方案，不用依赖外部API，适配树莓派的硬件情况：

方案一：SpeechRecognition + PocketSphinx + WebRTC VAD（纯本地、低资源） #

这个组合完全离线运行，对树莓派3B的压力很小，核心是用WebRTC VAD检测语音活动的起止，当检测到持续静音时自动结束录音并转文本。

步骤1：安装依赖 #

先在树莓派上安装需要的库：

pip install SpeechRecognition pocketsphinx webrtcvad sounddevice

（sounddevice用来处理音频输入，比PyAudio在树莓派上兼容性更好）

步骤2：示例代码 #

这段代码会持续监听麦克风，当检测到约0.6秒以上的静音时，自动停止录音并转换为文本：

import speech_recognition as sr
import webrtcvad
import sounddevice as sd
import numpy as np

# 配置VAD：模式3（最敏感，适合安静环境），采样率16000Hz（VAD要求的固定采样率）
vad = webrtcvad.Vad(3)
sample_rate = 16000
frame_duration_ms = 30  # VAD仅支持10/20/30ms的帧时长
frame_size = int(sample_rate * frame_duration_ms / 1000)
silence_threshold = 20  # 连续多少帧静音判定为语句结束（可调整）

def listen_and_transcribe():
    recognizer = sr.Recognizer()
    silence_frames = 0
    audio_frames = []
    
    print("开始说话...")
    # 流式录制音频
    with sd.InputStream(samplerate=sample_rate, channels=1, dtype=np.int16) as stream:
        while True:
            frame, overflow = stream.read(frame_size)
            # 检查当前帧是否为语音
            is_speech = vad.is_speech(frame.tobytes(), sample_rate)
            
            if is_speech:
                silence_frames = 0
                audio_frames.append(frame)
            else:
                silence_frames += 1
                # 静音帧超过阈值，停止录制
                if silence_frames > silence_threshold:
                    print("检测到语句结束，开始转写...")
                    break
    
    # 合并录制的音频帧
    audio_data = np.concatenate(audio_frames)
    # 转换为SpeechRecognition兼容格式
    sr_audio = sr.AudioData(audio_data.tobytes(), sample_rate, 2)
    
    try:
        # 使用PocketSphinx本地转写
        text = recognizer.recognize_sphinx(sr_audio)
        print(f"转写结果：{text}")
        return text
    except sr.UnknownValueError:
        print("无法识别语音内容")
        return None
    except sr.RequestError as e:
        print(f"PocketSphinx服务出错：{e}")
        return None

# 测试调用
if __name__ == "__main__":
    listen_and_transcribe()

调整技巧 #

• 环境噪音大时，把VAD模式调低（比如1或2），同时增大silence_threshold的值
• 想延长静音判定时长，比如改成1秒，可把silence_threshold设为33

方案二：OpenAI Whisper（本地轻量模型，转写精度更高） #

Whisper的tiny或base模型可以在树莓派3B上跑通，虽然比PocketSphinx占用资源多，但转写精度提升明显，而且自带语句边界检测能力。

步骤1：安装依赖 #

pip install openai-whisper
# 自动下载tiny英文模型（也可手动下载放到~/.cache/whisper/目录）
whisper download tiny.en

步骤2：示例代码 #

结合静音检测+Whisper转写，自动识别语句结束：

import whisper
import sounddevice as sd
import numpy as np
import webrtcvad

# 加载tiny轻量模型
model = whisper.load_model("tiny.en")
vad = webrtcvad.Vad(2)
sample_rate = 16000
frame_size = int(sample_rate * 30 / 1000)
silence_threshold = 25

def listen_with_whisper():
    audio_frames = []
    silence_frames = 0
    print("开始说话...")
    
    with sd.InputStream(samplerate=sample_rate, channels=1, dtype=np.float32) as stream:
        while True:
            frame, overflow = stream.read(frame_size)
            # 转换为int16格式供VAD检测
            frame_int16 = (frame * 32767).astype(np.int16)
            is_speech = vad.is_speech(frame_int16.tobytes(), sample_rate)
            
            if is_speech:
                silence_frames = 0
                audio_frames.append(frame)
            else:
                silence_frames += 1
                if silence_frames > silence_threshold:
                    break
    
    audio_data = np.concatenate(audio_frames)
    # Whisper自动处理转写，关闭词级时间戳提升速度
    result = model.transcribe(audio_data, word_timestamps=False)
    print(f"转写结果：{result['text']}")
    return result['text']

if __name__ == "__main__":
    listen_with_whisper()

注意事项 #

• 树莓派3B跑tiny模型转写大概需要几秒，base模型会稍慢，优先选tiny.en即可
• 如果麦克风无输入，先通过arecord -d 5 test.wav录制音频测试硬件是否正常，再调整ALSA默认输入设备

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