leoyishou 火山引擎语音识别工具
通过火山引擎（豆包大模型）将音频/视频文件转换为文字，支持多种识别模式。
识别模式
| 模式 | 接口类型 | 最长时长 | 适用场景 |
|---|---|---|---|
| streaming | WebSocket 实时流式 | ~2分钟 | 短音频、实时转录 |
| segment | 分段流式 | 无限制 | 长音频（推荐） |
| upload | HTTP 异步任务 | 4小时 | 需要音频 URL |
| auto | 自动选择 | - | 默认模式 |
推荐：对于长音频，使用 segment 模式，自动分割音频后逐段识别。
前置条件
流式模式（streaming）
- 访问 火山引擎语音控制台
- 创建应用，开通「语音识别大模型」服务
- 获取
APP ID和Access Token
上传模式（upload）
- 访问 火山引擎语音控制台
- 开通「录音文件识别大模型」服务
- 获取
API Key
快速开始
cd ~/.claude/skills/speech-recognition/scripts
# 自动选择模式（根据音频时长自动选择 streaming 或 segment）
python speech_recognition.py -i audio.mp3 -o result.txt
# 短音频：流式模式
python speech_recognition.py -i short.mp3 -m streaming -o result.txt
# 长音频：分段模式（推荐）
python speech_recognition.py -i long.mp4 -m segment -o result.srt -f srt
# 自定义分段时长（默认90秒）
python speech_recognition.py -i long.mp4 -m segment --segment-duration 60 -o result.json -f json
# 上传模式（需要音频公网 URL）
python speech_recognition.py -i audio.mp3 -m upload --audio-url "https://example.com/audio.mp3"
注意：使用时需要绕过代理：
ALL_PROXY="" HTTP_PROXY="" HTTPS_PROXY="" NO_PROXY="*" python speech_recognition.py ...
参数说明
| 参数 | 说明 | 默认值 |
|---|---|---|
--input, -i |
输入音频/视频文件（必填） | - |
--output, -o |
输出文件路径 | 标准输出 |
--format, -f |
输出格式：txt/srt/vtt/json | txt |
--mode, -m |
识别模式：auto/streaming/segment/upload | auto |
--segment-duration |
分段模式下每段时长（秒） | 90 |
--language, -l |
识别语言 | zh-CN |
--no-punc |
不添加标点符号 | False |
--no-itn |
不做数字规范化 | False |
--audio-url |
音频的公网 URL（上传模式） | - |
--app-id |
APP ID（流式/分段模式） | 从环境变量读取 |
--token |
Access Token（流式/分段模式） | 从环境变量读取 |
--api-key |
API Key（上传模式） | 从环境变量读取 |
--hotword-id |
热词表 ID | 从环境变量读取 |
--hotword-name |
热词表名称 | 从环境变量读取 |
环境变量配置
在 ~/.claude/secrets.env 中配置：
# 流式模式凭证
VOLC_ASR_APPID=your_app_id
VOLC_ASR_TOKEN=your_access_token
# 上传模式凭证
VOLC_ASR_API_KEY=your_api_key
# 热词管理 API 凭证（可选）
VOLC_ACCESS_KEY_ID=your_ak
VOLC_SECRET_ACCESS_KEY=your_sk
# 热词表（可选，在火山引擎控制台创建）
VOLC_ASR_HOTWORD_ID=your_hotword_table_id
VOLC_ASR_HOTWORD_NAME=your_hotword_table_name
热词功能
热词可提升特定词汇的识别准确率，特别适合专业术语、品牌名称等。
使用方式
方式一：控制台创建
- 访问 热词管理
- 上传热词文件，获取热词表 ID 或名称
- 识别时使用
--hotword-id或--hotword-name
方式二：API 创建（推荐）
cd ~/.claude/skills/speech-recognition/scripts
# 1. 创建热词表（从预置 TXT 文件）
python hotword_manager.py create --app-id YOUR_APP_ID --name "AI术语" --file hotwords.txt
# 2. 或从 JSON 转换创建
python hotword_manager.py create --app-id YOUR_APP_ID --name "AI术语" --json hotwords.json
# 3. 列出已有热词表
python hotword_manager.py list --app-id YOUR_APP_ID
# 4. 删除热词表
python hotword_manager.py delete --app-id YOUR_APP_ID --table-id xxx
热词文件格式
TXT 格式（每行一个词，支持权重）：
Claude|10
GPT|10
大模型|9
思维链|8
- 格式：
热词|权重（权重可选，1-10，默认 4） - 每词 ≤ 10 字
- 每表最多 2000 词
预置热词
scripts/hotwords.txt 包含 80+ 个 AI 领域常见术语，可直接使用：
- 模型名：Claude, GPT, Gemini, DeepSeek, 豆包, Kimi 等
- 技术术语：LLM, RAG, Agent, Prompt, 思维链 等
- 工具名：Cursor, Copilot, LangChain, Vercel 等
输出格式示例
TXT（纯文本）
大家好，欢迎来到今天的分享。
我们今天要讨论的主题是人工智能。
SRT（字幕）
1
00:00:00,000 --> 00:00:02,500
大家好，欢迎来到今天的分享。
2
00:00:02,500 --> 00:00:05,000
我们今天要讨论的主题是人工智能。
注意事项
- 自动模式：默认根据音频时长自动选择模式（>2分钟使用 upload）
- 上传模式需要公网 URL：如果不提供
--audio-url，会自动上传到 transfer.sh 临时存储 - 代理问题：如使用 Surge 等代理，流式模式可能需要绕过代理
- 支持格式：MP3, WAV, M4A, MP4, MKV, MOV 等（自动用 ffmpeg 转换）
依赖安装
pip install websockets requests
brew install ffmpeg # macOS