speech-to-text

语音转文本

将任意音频文件转录为文本。支持多语言自动检测、时间戳和说话人标签。

触发词

• 转录 / transcript / transcription
• 语音转文本 / STT / 音频转文本
• 这段音频说了什么 / 转换音频
• 转录 / 语音转文字 / 识别音频

快速开始

# Transcribe with auto language detection
python3 skills/speech-to-text/scripts/stt.py audio.mp3

# Specify language explicitly
python3 skills/speech-to-text/scripts/stt.py interview.wav --language en

# Save transcript to file
python3 skills/speech-to-text/scripts/stt.py podcast.m4a -o transcript.txt

# Output full JSON (with timestamps and speaker labels)
python3 skills/speech-to-text/scripts/stt.py meeting.wav --json -o result.json

参数

参数	默认值	描述
file	必填	要转录的音频文件（mp3、wav、m4a、ogg、flac、aac、webm）。最大 50 MB，最长 10 分钟。
--language / -l	自动检测	BCP-47 语言代码（例如 en、zh、ja）。省略则自动检测。
--output / -o	标准输出	保存转录文本的路径（如果设置了 --json，则保存 JSON）。
--json	关闭	输出包含时间戳和说话人标签的完整 JSON 响应。
--api-key	从环境变量/配置读取	Noiz API 密钥（覆盖已存储的密钥）。

输出格式

不使用 --json 时，只会打印转录文本：

Hello, welcome to today's podcast. We have a special guest joining us...

使用 --json 时，会打印完整的结构化响应：

{
  "language": "en",
  "transcript": "Hello, welcome to today's podcast...",
  "duration": 42.5,
  "segments": [
    {"text": "Hello, welcome to today's podcast.", "start": 0.0, "end": 3.2, "spk": 0},
    {"text": "We have a special guest joining us.", "start": 3.5, "end": 6.1, "spk": 0}
  ]
}

支持的语言

常见代码：en（英语）、zh（中文）、ja（日语）、ko（韩语）、es（西班牙语）、fr（法语）、de（德语）、pt（葡萄牙语）、ru（俄语）、ar（阿拉伯语）。省略 --language 可自动检测。

配置

# Save your API key once
python3 skills/speech-to-text/scripts/stt.py config --set-api-key YOUR_KEY

# Or set via environment variable
export NOIZ_API_KEY=YOUR_KEY

请前往 developers.noiz.ai 获取 API 密钥。

定价

按音频时长计费，每秒 $0.0006。一个 10 分钟的文件费用约为 $0.36。新账户包含 10,000 个免费的 TTS 字符；STT 单独计费。

安全与数据披露

• 凭据存储：API 密钥保存在 ~/.config/noiz/api_key（权限为 0600）。也支持 NOIZ_API_KEY 环境变量。
• 网络调用：音频文件会上传到 https://noiz.ai/v1/speech-to-text 进行转录。运行命令前不会发送任何数据。
• 文件限制：每个文件最大 50 MB，音频最长 10 分钟（600 秒）。

要求

• requests 包：pip install requests
• 前往 developers.noiz.ai 获取 API 密钥