讯飞语音转文字 (iFlytek ASR)

使用科大讯飞语音识别 API 将音频文件转换为文本，支持中文方言识别。

功能特性

• ✅ 支持多种音频格式：mp3, wav, pcm, mp4, m4a, aac, ogg, flac, speex, opus, wma
• ✅ 支持 YouTube 视频下载并转文本
• ✅ 文件大小限制：≤500MB
• ✅ 时长限制：≤5小时
• ✅ 自动识别中文方言
• ✅ 自动添加标点符号

前置要求

1. 获取讯飞 API 凭证

1. 访问 科大讯飞开放平台
2. 注册/登录账号
3. 创建应用，选择「语音转写」服务
4. 获取凭证：
   • XFYUN_APP_ID
   • XFYUN_ACCESS_KEY_ID
   • XFYUN_ACCESS_KEY_SECRET

2. 配置环境变量

在 skill 目录下创建 .env 文件：

XFYUN_APP_ID=your_app_id
XFYUN_ACCESS_KEY_ID=your_access_key_id
XFYUN_ACCESS_KEY_SECRET=your_access_key_secret

3. 安装依赖

pip3 install yt-dlp requests python-dotenv

使用方法

转录本地音频

python3 scripts/speech_to_text.py <音频文件路径> [输出文本路径]

示例：

python3 scripts/speech_to_text.py meeting.mp3
python3 scripts/speech_to_text.py recording.wav output.txt

YouTube 视频转文字

python3 scripts/download_and_transcribe.py "YOUTUBE_URL" [保存目录]

示例：

python3 scripts/download_and_transcribe.py "https://www.youtube.com/watch?v=VIDEO_ID" ~/Downloads

仅下载 YouTube 音频

python3 scripts/download_audio.py "YOUTUBE_URL" [保存目录]

对比：讯飞 vs Whisper

建议：

• 重要会议/采访 → 讯飞（准确率高、有标点）
• 日常语音消息 → Whisper（免费、无限制）

API 限制

讯飞免费版：

• 每日调用次数：500 次
• 单次文件大小：≤500MB
• 单次时长：≤5小时

文件结构

iflytek-asr/
├── SKILL.md           # 本文档
├── README.md          # 详细说明
├── QUICKSTART.md      # 快速开始
├── .env.example       # 配置模板
├── requirements.txt   # Python 依赖
└── scripts/
    ├── speech_to_text.py           # 音频转文字
    ├── download_audio.py           # YouTube 下载
    └── download_and_transcribe.py  # 下载+转文字

常见问题

Q: 转录失败怎么办？

• 检查 API 凭证是否正确
• 确认文件格式支持
• 检查网络连接

Q: 如何提高准确率？

• 确保音频清晰
• 选择正确的语言/方言
• 避免背景噪音

许可证

MIT License