会议录音转文字工具 (Meeting Transcriber)

基于 Qwen3-ASR-1.7B 模型的智能会议录音转文字工具，支持自动识别多个说话人。

功能特点

• 高质量语音识别: 基于阿里巴巴 Qwen3-ASR-1.7B 模型
• 自动说话人分离: 智能识别不同说话人
• 多格式支持: 支持 m4a、mp3、wav、flac 等音频格式
• 多种输出格式: 支持 Markdown、纯文本、JSON、CSV、HTML
• 时间戳标记: 每个片段都有精确的时间戳
• GPU 加速: 支持 NVIDIA GPU 加速推理

系统要求

最低配置

• Windows 10/11 或 Linux
• 8GB 内存
• 4GB 可用磁盘空间

推荐配置

• Windows 10/11 64位
• 16GB+ 内存
• NVIDIA GPU 4GB+ 显存（用于GPU加速）
• SSD 存储

安装说明

Windows 安装

1. 下载预编译版本

   • 从 Releases 页面下载 MeetingTranscriber-v1.0.0-win64.zip
   • 解压到任意目录
   • ✅ FFmpeg 已内置，无需单独安装任何依赖

2. 下载模型文件

   • 从 ModelScope 下载ONNX格式模型，或使用 tools/convert_to_onnx.py 脚本自行转换
   • 模型放置方式：在程序目录创建 models 文件夹，将所有ONNX模型和配置文件放入其中

3. 添加到环境变量（可选）

   • 将解压目录添加到 PATH 环境变量

Linux 从源码编译

# 克隆仓库
git clone https://github.com/yourusername/meeting-transcriber.git
cd meeting-transcriber

# 安装依赖
sudo apt-get update
sudo apt-get install -y cmake build-essential pkg-config
sudo apt-get install -y libavcodec-dev libavformat-dev libavutil-dev libswresample-dev

# 下载ONNX Runtime
wget https://github.com/microsoft/onnxruntime/releases/download/v1.16.3/onnxruntime-linux-x64-1.16.3.tgz
tar -xzf onnxruntime-linux-x64-1.16.3.tgz
sudo cp -r onnxruntime-linux-x64-1.16.3/include/* /usr/local/include/
sudo cp -r onnxruntime-linux-x64-1.16.3/lib/* /usr/local/lib/

# 构建
mkdir build && cd build
cmake ..
make -j$(nproc)
sudo make install

使用方法

基本使用

# 基本转换
MeetingTranscriber meeting.m4a

# 指定输出文件
MeetingTranscriber meeting.m4a -o output.md

# 指定说话人数
MeetingTranscriber meeting.m4a --speakers 3

# 使用GPU加速
MeetingTranscriber meeting.m4a --gpu

高级选项

# 指定语言和模型
MeetingTranscriber meeting.m4a -l zh -m /path/to/model.onnx

# 输出不同格式
MeetingTranscriber meeting.m4a -f json
MeetingTranscriber meeting.m4a -f csv
MeetingTranscriber meeting.m4a -f html

# 自定义处理
MeetingTranscriber meeting.m4a \
    --no-timestamps \
    --no-speaker-labels \
    --threads 8

输出格式示例

Markdown (默认):

# 会议记录

## 会议信息

- **音频文件**: meeting.m4a
- **时长**: 32分15秒
- **处理时间**: 2024-01-15 10:30:00

## 参会人员

- **Speaker A** (发言时长: 12分30秒, 15 段)
- **Speaker B** (发言时长: 10分45秒, 12 段)
- **Speaker C** (发言时长: 8分20秒, 10 段)

## 会议内容

[00:00:00] **Speaker A**: 大家好，我们开始今天的会议。

[00:00:05] **Speaker B**: 好的，我先汇报一下上个月的进度...

JSON:

{
  "sourceFile": "meeting.m4a",
  "duration": 1935.0,
  "processedAt": "2024-01-15T10:30:00",
  "speakers": [...],
  "segments": [...]
}

模型下载

自动下载

python python/download_model.py --model Qwen/Qwen3-ASR-1.7B

手动下载

1. 访问 ModelScope
2. 下载模型文件
3. 解压到 models/ 目录

模型格式转换

如果需要将模型转换为ONNX格式：

python python/convert_to_onnx.py \
    --model_path /path/to/Qwen3-ASR-1.7B \
    --output_path models/qwen3-asr-1.7b.onnx

性能优化

1. 使用GPU加速

MeetingTranscriber meeting.m4a --gpu

2. 调整线程数

MeetingTranscriber meeting.m4a --threads 8

3. 批量处理

# 处理多个文件
for file in *.m4a; do
    MeetingTranscriber "$file" &
done
wait

故障排除

常见问题

1. 无法加载模型

错误: Failed to load model
解决: 检查模型路径是否正确，模型文件是否完整

2. 音频解码失败

错误: Failed to decode audio
解决: 安装FFmpeg，或转换音频格式为WAV

3. GPU内存不足

错误: CUDA out of memory
解决: 使用--gpu选项时降低batch size，或改用CPU

调试模式

MeetingTranscriber meeting.m4a -v

许可证

本项目采用 MIT 许可证。详见 LICENSE 文件。

致谢

• Qwen3-ASR - 语音识别模型
• ONNX Runtime - 推理引擎
• FFmpeg - 音频处理

联系方式

• 项目主页: https://github.com/yourusername/meeting-transcriber
• 问题反馈: https://github.com/yourusername/meeting-transcriber/issues
• 邮箱: your.email@example.com