1. 项目简介 本项目是基于阿里 Qwen3-ASR 系列大模型构建的深度增强版离线语音处理工具。通过高度模块化的架构重构，解决了原生模型推理代码处理超长音频限制，没有说话人识别模块等短板。它不仅是一个转写工具，更是一个集**“语音转文本、角色分离、精准时间轴对齐、热词注入”**于一体的生产力工具。 2. 核心亮点 🚀 突破时长限制：通过高精度物理切片算法，自动将超长音频按分段处理并无缝合并，彻底解决官方模型单次 20 分钟的处理限制。 👥 顶级角色识别：离线集成最新的 Pyannote Community-1 说话人分离模型，识别精度大大超越上一版的Cam++。在多人对话中精准锁定身份，并一键导出全员及独立角色的 SRT 字幕。 ⚖️ 零漂移时间轴：采用“物理基准+字符级核销”算法，确保字幕时间轴即使在处理长音频或用户大幅修改文本后，依然精准锚定。 📏 精准文稿对齐：支持“文本驱动”模式，用户提供文字，系统自动匹配音频生成精准 SRT，并支持按照标点符号和字数限制自动美化断句。 ⌨️ 热词提示注入：支持通过提示词方式（qwen3asr基于llm，能结合上下文理解） 注入背景知识，显著提升专业术语、专有名词的识别率。 🛡️ 纯净离线环境：全模块化绿色包设计，不联网、不上传数据，不泄露隐私，内网用户也可以跑啦。 3. 硬件需求 本懒人包仅支持使用配备 NVIDIA 显卡的设备。本项目提供两个版本： 【0.6B 极速版】 特点：推理速度极快，显存占用友好。 建议显存：6GB 及以上。 适用场景：日常会议、短视频、配置一般的笔记本。 【1.7B 高精版】 特点：目前开源界最强的 ASR 性能，语感极佳，标点和语气识别更精准。 建议显存：8GB 及以上（推荐 16GB 显卡以获得最佳切片处理性能）。 适用场景：专业影视字幕、复杂环境录音、高质量文献转录。 4. 简单使用说明 启动：双击根目录下的 一键启动WebUI.bat。 界面：浏览器会自动打开 127.0.0.1:7867 页面，包含三个功能标签： 🎯 单音频识别：支持波形预览和在线裁剪，适合快速处理。 📦 批量识别：上传多个文件，后台排队处理，自动打包 ZIP 结果。 📏 精准对齐：贴入已有文稿，系统自动为文字匹配时间轴。 获取结果：处理完成后，结果将保存在根目录的 outputs 文件夹中。 5. 致敬开源 本懒人包的成功运行离不开以下开源社区的卓越贡献，特此致敬： Alibaba Qwen Team：提供了强大的 Qwen3-ASR 及 Forced-Aligner 基础模型。 Pyannote.audio：提供了业界领先的说话人分离算法（Community-1）。 ModelScope：提供了便捷的模型托管与分发平台。 Gradio：提供了优雅的 Web 交互界面框架。 FFmpeg：提供了坚如磐石的底层音视频处理支持。
下载地址:https://pan.baidu.com/s/1vvvnCoT0LAv5stTQKWp8QQ?pwd=lijj
- 百度网盘
