# aivoiceWeb

**Repository Path**: wilsondebug/aivoice-web

## Basic Information

- **Project Name**: aivoiceWeb
- **Description**: 本项目是演示在WEB上录音后，模型对语音的识别，以及将文字转换成语音播放的实例。

根据测试效果来看，百度的语音识别效果不错，本地的whisper模型识别效果较差。
- **Primary Language**: Python
- **License**: Apache-2.0
- **Default Branch**: master
- **Homepage**: https://gitee.com/wilsondebug
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-02-23
- **Last Updated**: 2026-03-20

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 语音测试中心

基于 OpenAI Whisper 和 pyttsx3 的完整语音处理系统，支持语音识别（STT）和语音合成（TTS），完全离线运行，无需 GPU。

## 关于 DeepSpeech GPU 需求的回答

**DeepSpeech 端侧模型不需要 GPU！**

根据官方文档和社区资料：
- DeepSpeech 支持 **CPU 和 GPU** 两种运行模式
- 可以在从 **树莓派4** 到高功率 GPU 服务器的各种设备上运行
- 使用 TensorFlow Lite 可以在客户端/端侧设备上部署
- 纯 CPU 模式下推理速度可能较慢，但完全可用

由于 DeepSpeech 在 Windows Python 3.13 上安装困难，本项目改用 **OpenAI Whisper** 作为替代方案，它同样支持 CPU 运行且更容易安装。

## 功能特性

### 🎤 语音识别（STT）
- 支持多种音频格式（WAV, MP3, M4A, FLAC 等）
- 自动语言检测
- 支持 99 种语言
- 实时录音识别
- 文件上传识别
- 带时间戳的识别结果

### 🔊 语音合成（TTS）
- 多种音色选择（默认、男声、女声、机器人）
- 可调节语速（0.5x - 2.0x）
- 可调节音量
- 音频文件下载
- 实时播放

### 🌐 Web 界面
- 现代化的响应式设计
- 实时录音可视化
- 一键播放/下载
- API 状态监控

## 项目结构

```
AIVoice/
├── app.py                 # Flask Web API 服务器
├── whisper_test.py        # 命令行语音识别工具
├── test_api.py           # API 测试脚本
├── requirements.txt      # 依赖列表
├── templates/
│   └── index.html       # Web 测试页面
└── README.md            # 项目说明
```

## 快速开始

### 1. 安装依赖

```bash
pip install -r requirements.txt
```

### 2. 启动服务器

```bash
python app.py
```

服务器将在 http://localhost:5000 启动

### 3. 打开浏览器访问

```
http://localhost:5000
```

## 使用说明

### Web 界面

#### 语音输入测试
1. 点击红色录音按钮开始录音
2. 再次点击停止录音
3. 系统自动识别并显示结果
4. 或上传音频文件进行识别

#### 文本转语音
1. 在文本框中输入要转换的文字
2. 选择喜欢的音色（默认/男声/女声/机器人）
3. 调节语速和音量
4. 点击"播放"立即收听
5. 点击"下载音频"保存为 WAV 文件

### 命令行工具

#### 语音识别
```bash
# 基本识别
python whisper_test.py --audio your_audio.wav

# 指定语言
python whisper_test.py --audio your_audio.wav --language zh

# 使用更大的模型
python whisper_test.py --audio your_audio.wav --model small
```

#### 查看可用模型
```bash
python whisper_test.py
```

## API 接口

### 语音识别
```bash
# 上传音频文件识别
POST /api/v1/transcribe
Content-Type: multipart/form-data

参数:
- file: 音频文件
- language: 语言代码 (可选)
- task: 任务类型 (可选, transcribe/translate)
```

### 文本转语音
```bash
# 生成语音
POST /api/v1/tts
Content-Type: application/json

{
    "text": "你好世界",
    "voice": "female",
    "rate": 1.0,
    "volume": 1.0
}

响应: 音频文件 (WAV)
```

### 获取可用音色
```bash
GET /api/v1/tts/voices

响应:
{
    "voices": [
        {"id": "...", "name": "Microsoft Huihui", "gender": "female"},
        ...
    ],
    "count": 5
}
```

### 其他接口
```bash
GET /api/v1/health          # 健康检查
GET /api/v1/info            # 模型信息
GET /api/v1/models          # 可用模型列表
POST /api/v1/detect-language # 语言检测
```

## 可用模型（语音识别）

| 模型 | 大小 | 速度 | 准确性 | 描述 |
|------|------|------|--------|------|
| tiny | 39 MB | ~32x | 低 | 最快，适合实时应用 |
| base | 74 MB | ~16x | 中 | 平衡速度和准确性 |
| small | 244 MB | ~6x | 较高 | 较好的准确性 |
| medium | 769 MB | ~2x | 高 | 高准确性 |
| large | 1550 MB | 1x | 最高 | 最佳准确性 |
| large-v2 | 1550 MB | 1x | 最高 | large的改进版 |
| large-v3 | 1550 MB | 1x | 最高 | 最新版本 |

默认使用 `base` 模型，可通过环境变量 `WHISPER_MODEL` 修改。

## 环境变量

| 变量名 | 默认值 | 说明 |
|--------|--------|------|
| WHISPER_MODEL | base | 语音识别模型名称 |
| WHISPER_DEVICE | cpu | 运行设备 (cpu/cuda) |
| PORT | 5000 | 服务器端口 |
| DEBUG | false | 调试模式 |

## 技术栈

- **后端**: Flask + OpenAI Whisper + pyttsx3
- **前端**: HTML5 + CSS3 + JavaScript (Web Audio API)
- **语音识别**: OpenAI Whisper（离线运行）
- **语音合成**: pyttsx3（离线运行）

## 系统要求

- Python 3.8+
- Windows/Linux/macOS
- 内存: 至少 4GB（使用 base 模型）
- 磁盘: 至少 500MB 可用空间

## 特点

- ✅ **纯 CPU 运行** - 无需 GPU
- ✅ **完全离线** - 无需联网
- ✅ **多语言支持** - 99 种语言自动检测
- ✅ **多音色选择** - 4 种不同音色
- ✅ **实时录音** - 浏览器直接录音
- ✅ **音频下载** - 支持导出 WAV 文件
- ✅ **RESTful API** - 易于集成
- ✅ **响应式设计** - 支持移动端

## 注意事项

1. **第一次运行**会自动下载 Whisper 模型文件（base 模型约 74MB）
2. **Windows 用户**可能需要安装 ffmpeg 以支持更多音频格式
3. **内存使用**取决于模型大小，large 模型需要约 2GB 内存
4. **录音功能**需要浏览器支持 Web Audio API 并允许麦克风权限

## 故障排除

### 无法录音
- 检查浏览器是否允许麦克风权限
- 确保使用 HTTPS 或 localhost

### 识别失败
- 检查音频格式是否正确
- 确保音频质量清晰
- 尝试指定语言代码

### TTS 失败
- 检查 pyttsx3 是否正确安装
- Windows 用户可能需要安装语音包

## 参考链接

- [OpenAI Whisper](https://github.com/openai/whisper)
- [DeepSpeech GitHub](https://github.com/mozilla/DeepSpeech)
- [pyttsx3 Documentation](https://pyttsx3.readthedocs.io/)
- [Flask Documentation](https://flask.palletsprojects.com/)

## 许可证

MIT License