语音转录文字，faster-whisper 效果是很不错的，不过部署、装置、配置问题不少，尤其是需求CUDA加快时，不仅要装置CUDA 还需求额定装置cuDNN和cuBLAS等，在装置之前还要升级显卡驱动，这难到不少小白用户。根据此，运用 fastAPI和faster-whipser 搞了一个在线语音辨认文字网站。运用简略，直接上传 音频、视频等即可开端辨认，无需注册无需登录。
在线免费语音转文字 stt.pyvideotrans.com
实现原理
fastAPI搭建路由服务，起一个模板页面，前端运用Layui做个简略款式。
直接上传 音频、视频文件，后端将运用ffmpeg 将文件转为 wav 格式的音频，再传递给 faster-whisper 模型处理，等待辨认完结后，将成果返回给前端，前端获取到成果后，将在页面烘托显现并提供下载按钮。
运用方法
准备待辨认的音频或视频
- 挑选想要转录为文字的音频或视频，假如布景声较大，建议预先别离出布景声，只保存单纯人声，辨认效果会更好。推荐布景别离东西请查看 juejin.cn/post/734161…
- 现在约束允许上传的文件最大尺度为 30MB，建议预先从视频里提出音频文件，单独只上传音频，这样能大幅降低尺度，本来100MB的视频提取出音频后，可能不到30MB。
上传进行辨认
点击挑选文件或者直接拖拽到上传区域，然后挑选“视频里的说话言语”，要特别注意，有必要挑选和视频里说话言语完全一致的言语，否则会犯错。
挑选后，点击“开端上传并辨认”按钮。会主动开端上传，上传完毕后进入排队状态，右侧区域将显现当时排队状况。
辨认完结后下载
当辨认完结后，右侧区域将显现“已完结”字样，点击就会在下方显现当时辨认出的字幕内容和字幕下载按钮。
点击可下载
特别需求注意的几点
- 音视频文件尽量干净，无布景噪声，假如有，尽量提早别离，确保人声足够明晰。
- 所选视频言语有必要与视频里人类说话言语完全一致，否则无法辨认
- 请等待前一个使命完结后再持续下一个
当时约束
很显然，免费服务有必要有所约束，尤其是这类重资源耗费的AI服务，我的服务器资源非常有限，因而约束上传尺度不大于30MB，上传后排队挨个处理。
假如你上传后在排队阶段不想辨认了，请点击右侧删除按钮移除该使命，以削减排队数量。
