C# 使用Vosk离线语音转文字完整实现指南-51CTO.COM

1. 项目准备

首先需要安装必要的 NuGet 包：

<PackageReference Include="Vosk" Version="0.3.38" />
<PackageReference Include="NAudio" Version="2.2.1" />

图片

2. 下载语音模型

访问 Vosk 模型下载页面

https://alphacephei.com/vosk/models

图片

下载中文模型中文或其他语言模型

图片

解压模型文件到项目目录下的 Models 文件夹

3. 完整代码实现

using NAudio.Wave;
using System;
using System.Collections.Generic;
using System.Linq;
using System.Text;
using System.Text.Json;
using System.Threading.Tasks;
using Vosk;

namespace AppVosk
{
    public class SpeechToTextConverter
    {
        private readonly string _modelPath;

        public SpeechToTextConverter(string modelPath)
        {
            _modelPath = modelPath;
            // 初始化 Vosk
            Vosk.Vosk.SetLogLevel(0);
            if (!Directory.Exists(_modelPath))
            {
                throw new DirectoryNotFoundException($"请确保模型文件夹存在: {_modelPath}");
            }
        }

        public async Task<string> ConvertToText(string audioFilePath)
        {
            if (!File.Exists(audioFilePath))
            {
                throw new FileNotFoundException($"音频文件不存在: {audioFilePath}");
            }

            // 将音频转换为 WAV 格式（如果是 MP3）
            string wavFile = audioFilePath;
            bool needsDisposal = false;

            if (Path.GetExtension(audioFilePath).ToLower() == ".mp3")
            {
                wavFile = Path.Combine(Path.GetTempPath(), Path.GetFileNameWithoutExtension(audioFilePath) + ".wav");
                using (var reader = new Mp3FileReader(audioFilePath))
                using (var writer = new WaveFileWriter(wavFile, reader.WaveFormat))
                {
                    reader.CopyTo(writer);
                }
                needsDisposal = true;
            }

            try
            {
                using (var model = new Model(_modelPath))
                using (var recognizer = new VoskRecognizer(model, 16000.0f))
                using (var waveStream = new WaveFileReader(wavFile))
                {
                    // 重采样到 16kHz (如果需要)
                    var outFormat = new WaveFormat(16000, 1);
                    using (var resampler = new MediaFoundationResampler(waveStream, outFormat))
                    {
                        byte[] buffer = new byte[4096];
                        int bytesRead;

                        while ((bytesRead = resampler.Read(buffer, 0, buffer.Length)) > 0)
                        {
                            if (recognizer.AcceptWaveform(buffer, bytesRead))
                            {
                                // 处理中间结果（如果需要）
                            }
                        }
                    }

                    // 获取最终识别结果
                    var result = JsonDocument.Parse(recognizer.FinalResult());
                    return result.RootElement.GetProperty("text").GetString() ?? string.Empty;
                }
            }
            finally
            {
                // 清理临时 WAV 文件
                if (needsDisposal && File.Exists(wavFile))
                {
                    try
                    {
                        File.Delete(wavFile);
                    }
                    catch { /* 忽略删除失败 */ }
                }
            }
        }
    }
}

4. 使用示例

图片

class Program
{
    static async Task Main(string[] args)
    {
        try
        {
            // 指定模型路径和音频文件路径
            string modelPath = Path.Combine(AppDomain.CurrentDomain.BaseDirectory, "Models", "vosk-model-small-cn-0.22");
            string audioFile = "test.mp3";  // 或 test.wav

            var converter = new SpeechToTextConverter(modelPath);
            string result = await converter.ConvertToText(audioFile);

            Console.WriteLine("识别结果:");
            Console.WriteLine(result);
        }
        catch (Exception ex)
        {
            Console.WriteLine($"发生错误: {ex.Message}");
        }
    }
}

图片

我下载的是1.3G的模型，这个速度会有点慢。

5. 主要功能说明

格式转换：支持 MP3 和 WAV 格式的输入，自动将 MP3 转换为 WAV
重采样：自动将音频重采样至 16kHz，以符合 Vosk 的要求
错误处理：包含完整的错误处理和资源清理
内存优化：使用流式处理，适合处理大文件
临时文件管理：自动清理转换过程中产生的临时文件

6. 总结

本文介绍了如何使用 Vosk 和 NAudio 库实现语音转文字的功能，支持 MP3 和 WAV 格式的音频输入，并自动将 MP3 转换为 WAV 格式，同时对音频进行重采样至 16kHz，以满足 Vosk 的要求。文章详细讲解了代码实现，包括模型文件的加载、音频格式转换、重采样处理以及最终的语音识别流程。通过将模型加载放在应用程序启动时，可以提高识别效率，避免重复加载模型。整体方案简单高效，适合需要实现语音识别功能的开发者参考和使用。