AudioScribe

基于火山引擎大模型录音文件识别 API 的录音转文字工具，支持说话人聚类分离。

功能特性

• 调用火山引擎大模型 ASR API 进行语音转写
• 支持说话人聚类分离（自动识别不同说话人）
• 自动生成 Markdown 格式的转写文档（按时间线排列，标注说话人）
• 同时输出原始 JSON 数据
• 支持 mp3、m4a 等常见音频格式

项目结构

AudioScribe/
├── transcribe_legacy.py   # 主脚本（APP ID + Access Token 认证）
├── transcribe_all.py      # 备用脚本（API Key 认证）
├── requirements.txt       # Python 依赖
├── .env                   # 环境变量配置（需自行创建）
├── tools/                 # 工具（ffmpeg 等）
├── docs/                  # API 文档
└── output/                # 转写结果输出目录

快速开始

1. 安装依赖

python -m venv .venv
.venv\Scripts\activate      # Windows
# source .venv/bin/activate  # Linux/macOS
pip install -r requirements.txt

2. 配置环境变量

在项目根目录创建 .env 文件：

# 火山引擎 API 配置（旧版控制台 - APP ID + Access Token）
X_API_APP_KEY=你的APP_ID
X_API_ACCESS_KEY=你的Access_Token
X_API_RESOURCE_ID=volc.seedasr.auc

# S3 兼容对象存储配置（用于上传音频文件）
S3_ENDPOINT=https://your-s3-endpoint
S3_ACCESS_KEY_ID=your_access_key
S3_SECRET_ACCESS_KEY=your_secret_key
S3_BUCKET=audioscribe

X_API_RESOURCE_ID 可选值：

• volc.bigasr.auc — 大模型 ASR 1.0
• volc.seedasr.auc — 大模型 ASR 2.0（推荐，需旧版控制台认证）

3. 运行转写

python transcribe_legacy.py "音频文件.mp3"

输出文件将保存到 output/ 目录：

• {音频名}_转写结果.json — 原始 API 返回数据
• {音频名}_转写结果.md — Markdown 格式转写文档

两个脚本的区别

	transcribe_legacy.py	transcribe_all.py
认证方式	APP ID + Access Token（旧版控制台）	API Key（新版控制台）
对象存储	S3 兼容（boto3）	MinIO
支持模型	bigasr / seedasr	仅 bigasr
输出目录	output/	项目根目录

输出格式示例

Markdown 文档按时间线排列，标注说话人：

# 转写结果

**源文件**: 示例.mp3
**音频时长**: 09:04.61
**说话人数量**: 5 人
**分句数量**: 183

---

## 按时间线

- **00:00.54 - 00:01.54** **说话人1** 已经检验了啊。
- **00:02.46 - 00:03.38** **说话人2** 来，你大概说一下嘛。
- **00:04.38 - 00:11.34** **说话人3** 就是计时，从比如说我们是5点钟下班儿……

依赖

• Python 3.8+
• requests
• python-dotenv
• boto3