python 语音转文字_长时间的会议录音如何快速转化成文字？

最近在整理之前工作的文件，发现大概有50个小时的专家call & 会议录音啥的，于是就研究了一下如何批量把长语音转成格式优美的文字文档。

当然做事情之前先来知乎搜了搜有没有现成的解决方案可用，于是发现了这个问题，但一楼说的360converter已经只能转300秒音频了，且准确性实在是一般。其他的答案也或多或少的有不足之处。所以花了一整天研究了一下最好的解决方案，心路历程如下：

讯飞是目前最好的解决方案，但也有缺点

讯飞听见算是目前市场上有的最好的解决方案了，但是有三个缺点：

1。太贵了，如下图所示，要19.8元/一小时，50个小时的录音差不多就要1000块了。即便买充值卡打折也要800块左右。

2。导出结果word的话是没有时间戳的，并且分段很有问题，读起来不太方便。（如果字幕导出就是一句话一句话）

3。每次都要先登录，上传录音，然后等着短信通知啥时候转完了。还是蛮麻烦的。

各家语音识别的API都蛮好用的，又便宜，能不能自己套个壳做个平台？

后来想了一下，现在各大巨头都在搞AI，语音识别自然是重要的一块啦，2B肯定比2C便宜的多且定制化程度高很多啊。

后来一搜果然是。1. 腾讯云（每月30小时免费额度，超出的0.95-1.75元/每小时）2. 腾讯AI开放平台（目前完全免费）3. 阿里云（1元-2.5元每小时）4.科大讯飞（5小时免费额度，超出的3.4-6.9元每小时）

套壳过程

用Python 做一个调用Restful API的接口还是蛮容易的，其中科大讯飞还贴心的提供了Python3 和 Java 的Demo。

花时间稍微改了改科大讯飞 python3 的代码，改成了喜闻乐见的Python2.7，并把我一直没有学会的python class 对象统统改成了简单易懂的function，最后大概长这样：https://github.com/tsauliu/VoiceRecognition/blob/master/xunfei.py​github.com

讯飞返回的结果长这样：

其实还有更多的选项可以加上，比如删除语气词啥的（虽然我还没试，但应该是词属性-顺滑词）

精度啥的和网页版差不多，不过时间戳更细了，方便后面调整。而且有个网页版本没有的BUG功能，可以识别出不同的speak说的话！！

拿到返还的json结果后，用Python大法写啊写，主要是研究了一下分段的算法，然后用python-docx做好模板导出成word格式。最后结果长这样（可以做到金融狗喜闻乐见的自动生成大小标题啊，自动调整好字体格式啊啥的）：

套壳有点难度，（毕竟不太会写javascript啥的），当然如果是自己用且不经常换电脑，也可以不套。

不过我这种经常在N多个工作环境搬砖的自然还是套个壳方便。于是在github上找了一个文件上传的flask程序，稍微改吧改吧，写了点CSS，传到了阿里云上，最终效果大概长这样。

有空我测试一下腾讯和阿里的API再来更新答案。