我使用 Android 智能手机录制语音，记录了很多备忘录。录音可以是简短的笔记，也可以是长篇口述，因此大小差异很大。根据我使用的应用程序，音频可以保存为 WAV 或 MP3 文件。
我想要做的是将这些语音备忘录和听写转换为文本文件。
我发现此方法理论上，它使用 pavucontrol 将音频播放传输到 Google Chrome 的语音转文本 API，但我无法让它工作。我按照说明操作，没有出现任何错误，只是没有看到 Chrome 界面上出现任何文本。无论如何，它并不比将手机放在笔记本电脑麦克风前好多少。我希望在音频转换为文本时不必听到音频，因为我可能会在咖啡店或其他地方用笔记本电脑这样做。
理想情况下，应该有一个软件可以让我加载一批声音文件，然后它会输出一批文本文件，每个音频文件一个。
Ubuntu 上是否存在任何可实现此目的的软件或方法？
答案1
尝试Mozilla DeepSpeech。它是用于自动转录的开源工具。但您需要训练该工具。您可以下载 Mozilla 的预训练模型，或者使用Mozilla 的语音数据集创建自己的模型，你可以用它来录制英文。对于非常清晰的录音，准确率相对较好。但对于我的转录项目，它仍然不够，因为录音有很多背景噪音，质量不好，我使用了转录相反，它是基于网络的编辑器，允许自动转录，但您需要在线连接才能将录音上传到 Transcribebear 服务器。
答案2
您可以使用OpenAI Whisper。
一位名叫 Gael LeGoff 的志愿者打包了OpenAI Whisper 为 Snap 提供支持。要使用 Snap 安装 OpenAI Whisper，请运行：
sudo snap install whisper-gael
现在，要将名为文本的音频文件转换audio.mp3为文本，请运行：
whisper-gael.whisper --model small --output_format txt --task transcribe audio.mp3
为了获得更好的结果，您可以使用更大的模型。可供选择的模型有：tiny、、、、、以及、、、和。basesmallmediumlargetiny.enbase.ensmall.enmedium.en
答案3
自动订阅是一个开源 Python 脚本，可使用 Mozilla DeepSpeech 或 Coqui STT 为任何视频文件生成字幕文件（.srt、.vtt 和 .txt 转录）。他们使用开源模型对音频片段进行推理，并使用 pyAudioAnalysis 将初始音频拆分为静音片段，从而生成多个较小的文件（使推理变得容易）。
主要开发人员还发表了一篇关于其工作的文章，名为：使用 Mozilla DeepSpeech 为任何视频文件生成字幕。
答案4
您可以使用演讲提要。
使用语音转文本、文本转语音和机器翻译来记录、阅读和翻译
Speech Note 可让您用多种语言记录、阅读和翻译笔记。它使用语音转文本、文本转语音和机器翻译来实现这些功能。文本和语音处理完全离线进行，在您的计算机上本地进行，无需使用网络连接。您的隐私始终受到尊重。不会将任何数据发送到互联网。
安装
在 Ubuntu 上安装它的最简单方法可能是从 Flathub 获取它：
首先，如果你还没有使用 Ubuntu 快速入门指南安装 Flatpak. 请记住之后重新启动系统。
去Flathub 演讲笔记并单击“安装”。或者，如果您更喜欢命令行，请运行以下命令：
flatpak install flathub net.mkiol.SpeechNote
