实时语音转文字怎么做？RealtimeSTT 库打包语音识别链路

RealtimeSTT 这个库，简单说就是给程序加"耳朵"用的——它能实时听麦克风、检测到人声后立刻转成文字，还支持唤醒词。对做工具类产品、自动化脚本的开发者来说，这是省掉一大截语音处理功夫的现成零件。

适合谁

做语音助手的开发者：不管是桌面助手、浏览器里的语音输入，还是给硬件设备加语音控制，RealtimeSTT 把"听到声音→识别成文字"这条链路打包好了，几行代码就能接进自己的项目。

搞自动化记录的工具作者：比如会议纪要工具、口述速记软件、直播字幕生成，这类需要"边听边出字"的场景，它内置的语音活动检测（VAD）能自动判断人什么时候开始说话、什么时候停顿，不用自己写静音检测逻辑。

折腾本地部署的技术爱好者：项目默认走 faster-whisper 引擎，支持 CUDA 用 GPU 加速；如果你只有 CPU，官方文档也给了专门的优化方案（sherpa-onnx 模型搭配），适合在意隐私、不想把音频传云端的人。

能解决什么问题

实时出字，不用等整段说完：默认引擎 faster-whisper 支持流式识别，说话过程中就能不断吐出文字，不是等你说完才一次性给结果。对做字幕、速记这类应用很关键。

自动检测说话起止：内置语音活动检测，能判断人开始说话和结束说话。官方给的麦克风示例就是"等你说完，自动停止并打印结果"，不用手动控制录音开关。

支持唤醒词和外部音频流：除了麦克风，也接受文件、网络流等外部音频输入（16kHz 单声道 PCM 格式），还能设置唤醒词——适合做"喊名字才响应"的交互。

怎么开始用

安装基础版（faster-whisper 引擎）：

pip install "RealtimeSTT[faster-whisper]"

Linux 需要先装 PortAudio 头文件：

sudo apt-get update
sudo apt-get install python3-dev portaudio19-dev

macOS 用 Homebrew：

brew install portaudio

最简单的麦克风示例——等你说完，打印结果：

from RealtimeSTT import AudioToTextRecorder

if __name__ == "__main__":
    with AudioToTextRecorder() as recorder:
        print("Speak now")
        print(recorder.text())

注意 Windows 上跑一定要加 if __name__ == "__main__": 保护，因为库内部用了多进程。

连续听写、边听边处理，用回调函数：

from RealtimeSTT import AudioToTextRecorder

def process_text(text):
    print(text)

if __name__ == "__main__":
    recorder = AudioToTextRecorder()
    while True:
        recorder.text(process_text)

优点和坑

优点：

• 上手快：核心 API 就一个 AudioToTextRecorder 类，麦克风示例不到十行代码能跑通。
• 引擎可换：默认 faster-whisper，也可以装 sherpa-onnx、kroko_onnx 等其他引擎，按需选择。
• 项目活跃：GitHub 上 10200 star、862 fork，MIT 协议随便用，最近一次更新是 2026 年 10 月，维护状态健康。

坑（真实存在的）：

• Python 版本有限制：官方 CI 只覆盖 Python 3.11 和 3.12，3.13 及更新版本不是发布目标，装之前先确认环境。
• Linux 依赖前置：不装 PortAudio 头文件直接 pip install 会报错，得先跑 sudo apt-get install python3-dev portaudio19-dev。
• CPU 性能要调优：默认 faster-whisper 在 CPU 上做流式识别，反复重转录增长的音频缓冲会越来越慢。官方推荐 CPU 生产环境换 sherpa-onnx 的专用模型组合（Nemotron 处理增量、Parakeet 出最终结果），但这需要额外安装和下载模型，不是开箱即用。
• 多进程注意：库用 multiprocessing 做模型推理，Windows 下不加 if __name__ == "__main__": 会直接报错。

适合你吗

适合：想快速给项目加语音转文字功能、能接受 Python 3.11/3.12 环境、愿意花半小时处理系统依赖的开发者。尤其是做语音助手、速记工具、直播字幕这类需要实时出字的应用，它把 VAD 和流式识别都封装好了。

不适合：完全不想碰命令行、只想装个现成软件用的普通用户——这是个开发库，不是成品软件；或者你的生产环境是 CPU 且对延迟要求极高，那需要额外研究 sherpa-onnx 那套优化方案，不是装上就能跑满性能。

---

常见问题

RealtimeSTT 库是免费的吗？

是的，完全免费。它是一个开源项目，采用 MIT 协议，你可以在 GitHub 上找到它（拥有超过 10200 个星标），可以随意用于个人或商业项目。

RealtimeSTT 怎么安装？需要什么环境？

安装基础版用命令：pip install "RealtimeSTT[faster-whisper]"。但要注意，它官方主要支持 Python 3.11 和 3.12 版本，Python 3.13 及以上不是目标版本。Linux 用户需先运行 sudo apt-get install python3-dev portaudio19-dev 安装依赖。

RealtimeSTT 的语音识别准确率怎么样？

正文未直接提及具体准确率数字。它默认使用 faster-whisper 引擎进行流式识别，支持 GPU 加速以提升性能。如果对 CPU 环境下的性能不满意，官方推荐换用 sherpa-onnx 的专用模型组合进行优化。

RealtimeSTT 能离线使用吗？

可以，非常适合离线使用。默认的 faster-whisper 引擎以及可选的 sherpa-onnx 模型都支持本地部署，无需将音频数据上传到云端，适合注重隐私的用户。

RealtimeSTT 和别的语音转文字工具比有什么优势？

主要优势是封装了完整的实时语音识别链路，上手快。它内置语音活动检测（VAD）自动判断说话起止，支持流式识别实现“边听边出字”，并且核心 API 只有一个 AudioToTextRecorder 类，几行代码就能接入麦克风实时转写。

相关工具推荐

• 本地语音处理工具 sherpa-onnx，支持识别与合成
• 用 MoviePy 库进行商品视频批量剪辑与自动化处理
• 使用 blind_watermark 为图片添加防搬运盲水印