是不是还在为孩子英文绘本中的生僻单词发愁？是不是还在为手工敲字翻译绘本内容而耗时费力？今天，我要给大家分享一个超实用的黑科技，让你轻松搞定孩子英文绘本的英文提取工作，只需 1 小时，就能完成 RAZ 所有绘本的英文文章提取，简直是家长们的福音！
有了英文文本后，可以利用大模型进行翻译及总结，参考 10 分钟创建一个英文精读智能体，实现中英翻译、提炼生僻词汇等
传统方法的痛点
在最开始，我们都是手工一行一行敲出绘本中的英文内容，然后再进行翻译。这种方法不仅耗时，还容易出错。
后来，我们尝试通过拍照提取文本，虽然比手工敲字快了一些，但依然不够高效。直到今天，我终于找到了一个更友好的方案——音频转文本！
音频转文本的神奇力量
现在的大模型识别率非常高，利用音频转文本技术，我们可以轻松地将绘本中的英文内容提取出来。我找到了阿里云的 Paraformer 实时语音识别 API，它有免费的额度可以使用。说干就干，我用这个 API，1 个小时就完成了 RAZ J 级别所有绘本的英文文章提取工作。
实现方案大公开
下面，我将详细分享如何创建一个能够批量处理 MP3 文件并进行语音识别的工具。这个工具将读取指定目录中的所有 MP3 文件，进行语音识别，并将结果保存到另一个目录中。
依赖安装
1、安装依赖库
安装所需的 Python 库：
pip install dashscope pydub ffmpeg-python -i https://pypi.tuna.tsinghua.edu.cn/simple- 注意：pydub依赖于ffmpeg，你需要确保ffmpeg已经正确安装在你的系统上。
2、配置 API-KEY
先到阿里云百炼注册账号，创建好 API-KEY：
https://bailian.console.aliyun.com/
在你的环境变量中设置DASHSCOPE_API_KEY。比如可以在终端中设置：
export DASHSCOPE_API_KEY=your_api_key_here
代码实现
以下是完整的 Python 脚本AudioBatchTranscriber.py：
import os
import dashscope
from dashscope.audio.asr import Recognition, RecognitionCallback, RecognitionResult
import json
from pydub import AudioSegment
from concurrent.futures import ThreadPoolExecutor
import argparse
# 定义回调类
class Callback(RecognitionCallback):
def on_complete(self) -> None:
print("Recognition completed successfully.")
def on_error(self, result: RecognitionResult) -> None:
print(f"Error during recognition: {result.message}")
def on_event(self, result: RecognitionResult) -> None:
print(f"Received transcription event: {result.message}")
# 从环境变量中获取API密钥
dashscope.api_key = os.getenv('DASHSCOPE_API_KEY')
def convert_mp3_to_wav(mp3_file, wav_file):
audio = AudioSegment.from_file(mp3_file, format='mp3')
# 确保输出的WAV文件符合要求：单声道、16kHz采样率、16位宽
audio = audio.set_channels(1).set_frame_rate(16000).set_sample_width(2)
audio.export(wav_file, format='wav')
def transcribe_audio(file_path, output_dir):
try:
# 检查文件是否存在
if not os.path.isfile(file_path):
print(f"Error: 文件不存在: {file_path}")
return None
# 将MP3文件转换为适合的WAV格式
if file_path.endswith('.mp3'):
wav_file = file_path.replace('.mp3', '.wav')
convert_mp3_to_wav(file_path, wav_file)
file_path = wav_file
# 创建回调对象
callback = Callback()
# 初始化语音识别对象
recognition = Recognition(
model='paraformer-realtime-v2',
format='pcm',
sample_rate=16000,
language_hints=['en'],
callback=callback
)
# 调用语音转文字服务
result = recognition.call(file_path)
if result.status_code == 200:
transcription_result = result.output # 直接使用 .output 属性
# 获取音频文件的基本名称
base_name = os.path.splitext(os.path.basename(file_path))[0]
# 构建输出文件路径
json_output_file_path = os.path.join(output_dir, f"{base_name}.json")
txt_output_file_path = os.path.join(output_dir, f"{base_name}.txt")
# 将JSON结果写入文件
with open(json_output_file_path, 'w', encoding='utf-8') as f:
json.dump(transcription_result, f, indent=4, ensure_ascii=False)
# 合并所有文本片段，并清理多余的空格
full_text = ""
for sentence in transcription_result.get('sentence', []):
full_text += sentence.get('text', '') + " "
# 清理多余的空格
cleaned_full_text = ' '.join(full_text.split()).strip()
# 将完整文本写入文件
with open(txt_output_file_path, 'w', encoding='utf-8') as f:
f.write(cleaned_full_text)
print(f"Transcription results saved to: {json_output_file_path}")
print(f"Transcribed text saved to: {txt_output_file_path}")
return cleaned_full_text
else:
print(f"Error: {result.status_code} - {result.message}")
return None
except Exception as e:
print(f"Exception processing {file_path}: {e}")
return None
def process_all_mp3_files(input_dir, output_dir):
# 确保输出目录存在
if not os.path.exists(output_dir):
os.makedirs(output_dir)
# 获取所有MP3文件
mp3_files = [os.path.join(input_dir, f) for f in os.listdir(input_dir) if f.endswith('.mp3')]
# 使用ThreadPoolExecutor进行并发处理
with ThreadPoolExecutor(max_workers=5) as executor:
futures = {executor.submit(transcribe_audio, file_path, output_dir): file_path for file_path in mp3_files}
for future in futures:
file_path = futures[future]
try:
result = future.result()
if result:
print(f"Processed {file_path}: {result[:50]}...") # 打印前50个字符作为示例
except Exception as e:
print(f"Error processing {file_path}: {e}")
if __name__ == "__main__":
parser = argparse.ArgumentParser(description="Process MP3 files and transcribe them using DashScope.")
parser.add_argument("--input", type=str, required=True, help="Directory containing MP3 files")
parser.add_argument("--output", type=str, required=True, help="Directory to save transcription results")
args = parser.parse_args()
input_directory = os.path.abspath(args.input)
output_directory = os.path.abspath(args.output)
process_all_mp3_files(input_directory, output_directory)
如何执行
1、保存脚本
- 将上述代码保存为AudioBatchTranscriber.py
2、准备输入目录
- 确保J-mp3目录中包含你要处理的 MP3 文件。例如：
J-mp3/
81-WhenBadThingsHappen.mp3
another-file.mp3
...3、运行脚本
- 打开终端或命令提示符，导航到保存AudioBatchTranscriber.py的目录，然后运行以下命令：
python AudioBatchTranscriber.py --input J-mp3 --output transcribed- 这将会读取J-mp3目录中的所有 MP3 文件，进行语音识别，并将结果保存到transcribed目录中。
输出结果
运行脚本后，transcribed目录中将会生成与每个 MP3 文件同名的两个文件：
- {base_name}.json：包含完整的 JSON 结果。
- {base_name}.txt：包含清理后的完整文本。 例如：
transcribed/
81-WhenBadThingsHappen.json
81-WhenBadThingsHappen.txt
another-file.json
another-file.txt
...
总结
通过以上步骤，你可以轻松地创建一个批量音频转录工具，支持多线程并发处理，确保高效的音频文件转录和结果保存。
希望这个教程对你有所帮助，让你在孩子的英文学习道路上更加轻松愉快！
相关阅读
AI 智能体实战｜优化迭代小学生古诗陪读智能体，提升使用体感
10分钟创建一个英文精读智能体，实现中英翻译、提炼生僻词汇等
标签：英文,必看,绘本,mp3,file,output,path,os,result From： https://blog.csdn.net/wxaiway/article/details/145219532