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
| .txt | output/ | ✅ 是 | 纯文本，按说话人标记，例如 speaker0: 你好 |
| .srt | output/ | ❌ 否 | 标准字幕文件，不带说话人标记 |
| .bilingual.srt | output/ | ❌ 否 | 启用翻译后生成的双语字幕 |
| .summary.txt | output/ | – | 启用 AI 总结后生成的内容摘要 |
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
- 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
- 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）
- 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
- 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
- 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：
复制
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：
复制
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：
复制
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：
复制
## 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
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：
夸克网盘分享
