最强分说话人语音识别工具，支持批量音视频识别转字幕，字幕翻译内容总结

本软件是一款基于 Qwen3-ASR-1.7B 大模型的本地音视频语音识别工具，配备说话人分离功能，可在个人电脑上实现：

• 批量音频/视频转文字
• 自动区分说话人
• 导出带时间轴的 TXT / SRT / 字幕文件
• 可选 AI 翻译（双语字幕）
• 可选 AI 内容总结（摘要 / 核心结论 / 待办事项）

整个流程通过简洁的 Gradio Web 界面 操作，点击按钮即可完成识别与导出。

主要功能特点

1. 单文件识别与批量识别

• 单文件上传：支持上传 .wav、.mp3、.flac、.ogg、.m4a、.aac 等音频，以及 .mp4、.avi、.mov、.mkv、.flv 等视频文件。
• 文件夹批量处理：只需输入包含音视频文件的文件夹路径，软件会自动遍历并批量识别，结果按源文件名同名保存。

2. 说话人分离

对音频中的不同说话人进行自动区分，后续导出结果中会以 speaker0、speaker1 等形式标记。

3. 多格式导出

4. AI 翻译（双语字幕）

• 勾选“启用翻译”后，字幕会被翻译。
• 支持输出双语字幕，原文与译文上下两行显示。
• 需要填写 API Key、Model Name 和 Base URL，点击获取API KEY>>

5. AI 自动总结

• 勾选“启用 AI 自动总结”后，软件会调用 AI 对识别文本生成结构化总结。
• 总结内容包括但不限于：
  • 摘要
  • 核心结论
  • 待办事项
• 同样需要配置 API Key。

6. 配置自动保存

点击“开始识别”按钮时，当前界面的所有设置（语言、API 参数、翻译/总结开关等）会自动保存，下次启动时自动恢复。

7. 自动精度选择

软件会自动检测显卡能力：

• 支持 bf16 时使用 bf16
• 不支持 bf16 时使用 fp16
• 无显卡时回退到 CPU / fp32

使用说明

1. 环境要求

• windows 10 或 11系统
• 推荐 NVIDIA 显卡显存不低于6G并安装最新驱动

2. 启动软件

首先将网盘内的软件压缩包下载到本地电脑并解压，然后双击启动软件.bat

启动后会自动打开浏览器，进入 Gradio 操作界面（默认地址：http://127.0.0.1:7860）。

3. 界面操作步骤

1. 选择输入方式：
   • 单文件上传：直接拖拽或选择音视频文件
   • 文件夹批量处理：填写包含音视频文件的文件夹路径
2. 设置识别语言：
   • 在“ASR 识别语言”中选择自动识别或指定语言（如中文、英文、日语等）
3. 配置 API（如需翻译/总结）：
   • 填写 API Key
   • 填写 Model Name（如 deepseek-v4-flash）
   • 填写 Base URL（如 https://api.modelverse.cn/v1/）
   • 可点击注册链接获取 API 密钥
4. 启用附加功能：
   • 勾选“启用翻译”输出双语字幕
   • 勾选“启用 AI 自动总结”输出内容摘要
5. 点击“开始识别”：
   • 软件会自动保存当前设置
   • 在日志区域显示处理进度
   • 在“识别预览”和“AI 总结”标签页查看结果

4. 查看结果

识别完成后，结果文件保存在：

• output/ 目录：.txt、.srt、.bilingual.srt、.summary.txt

输出文件说明

1. TXT 文本文件（带说话人）

示例：

speaker0: 大家好，欢迎来到今天的会议。
speaker0: 我们今天主要讨论三个问题。
speaker1: 我先补充一下背景信息。

连续同说话人的片段会自动合并，方便阅读。

2. SRT 字幕文件（无说话人）

标准 SRT 格式，可直接导入视频剪辑软件或播放器：

1
00:00:00,000 --> 00:00:05,000
大家好，欢迎来到今天的会议。

2
00:00:05,000 --> 00:00:10,000
我们今天主要讨论三个问题。

3. 双语 SRT 文件

启用翻译后的 SRT 文件，每行字幕显示原文和译文：

1
00:00:00,000 --> 00:00:05,000
大家好，欢迎来到今天的会议。
Hello everyone, welcome to today's meeting.

4. 总结文件

包含 AI 生成的结构化总结：

## 摘要
本次会议讨论了项目进度、资源分配和下阶段计划。

## 核心结论
1. 项目整体进度符合预期。
2. 需要增加两名后端开发人员。

## 待办事项
- [ ] 周三前提交预算表
- [ ] 周五前完成接口联调

注意事项

1. GPU 显存要求：Qwen3-ASR-1.7B对显存有一定要求，显存不足时可能触发 OOM，建议关闭其他程序或降低批处理大小。
2. 翻译/总结需要 API Key：如果未填写 API Key 却勾选了翻译或总结，软件会提示错误并停止处理。
3. 断网/离线环境：如果不使用API功能的话，软件可在离线环境运行。

常见问题

识别结果不准确怎么办？

• 尽量选择清晰的音频源
• 在嘈杂环境或多人重叠对话时，说话人分离可能不够精准
• 可尝试指定 ASR 语言而非自动识别

结语

本软件整合了当前先进的语音识别、说话人分离与大语言模型能力，旨在帮助用户快速、便捷地完成音视频字幕制作、翻译与总结工作。

区分说话人音视频语音识别软件下载链接：

https://pan.quark.cn/s/507047487ac0