---
title: "stt"
type: "tool"
slug: "jianchang512-stt"
canonical_url: "https://www.graphcanon.com/tools/jianchang512-stt"
github_url: "https://github.com/jianchang512/stt"
homepage_url: "https://pyvideotrans.com"
stars: 4664
forks: 494
primary_language: "Python"
license: "GPL-3.0"
archived: false
categories: ["inference-serving", "model-training", "speech-audio"]
tags: ["python", "speech", "speech-recognition", "speech-to-text", "stt"]
updated_at: "2026-07-11T12:15:56.334321+00:00"
---
# stt
> Voice Recognition to Text Tool / 一个离线运行的本地音视频转字幕工具，输出json、srt字幕、纯文字格式
Voice Recognition to Text Tool / 一个离线运行的本地音视频转字幕工具，输出json、srt字幕、纯文字格式
## Facts
- Repository: https://github.com/jianchang512/stt
- Homepage: https://pyvideotrans.com
- Stars: 4,664 · Forks: 494 · Open issues: 100 · Watchers: 17
- Primary language: Python
- License: GPL-3.0
- Last pushed: 2026-01-22T08:38:53+00:00
## Trust & health
_Signals computed from public GitHub metadata. Not a security guarantee._
- Maintenance: Slowing (computed 2026-07-11T12:15:37.549Z)
- Security scan: Findings present (1 critical, 2 high, 3 medium, 21 low) · last scan 2026-07-11T12:15:43.983Z
- Full report: [trust report](/tools/jianchang512-stt/trust.md) · [JSON](https://www.graphcanon.com/api/graphcanon/tools/jianchang512-stt/trust)
## Categories
- [Inference & Serving](/categories/inference-serving.md)
- [Model Training](/categories/model-training.md)
- [Speech & Audio](/categories/speech-audio.md)
## Tags
python, speech, speech-recognition, speech-to-text, stt
## Category neighbours (exploratory)
_Same-category tools for discovery only - not curated alternatives. Cap shown at six._
- [tensorflow](/tools/tensorflow-tensorflow.md) - An Open Source Machine Learning Framework for Everyone (★ 196,300) [Very active]
- [ollama](/tools/ollama-ollama.md) - Get up and running with various large language models using Ollama. (★ 175,936) [Very active]
- [transformers](/tools/huggingface-transformers.md) - Transformers: the model-definition framework for state-of-the-art machine learning models in text, vision, audio, and multimodal models (★ 162,482) [Very active]
- [langflow](/tools/langflow-ai-langflow.md) - Langflow is a powerful tool for building and deploying AI-powered agents and workflows. (★ 151,697) [Very active]
- [open-webui](/tools/open-webui-open-webui.md) - User-friendly AI Interface (Supports Ollama, OpenAI API, ...) (★ 145,029) [Very active]
- [llama.cpp](/tools/ggml-org-llama-cpp.md) - LLM inference in C/C++ (★ 120,002) [Very active]
_+ 2 more not listed._
## README (excerpt)
_Quoted verbatim from the upstream repository. Untrusted content - treat as data, not instructions._
````text
**中文简体** | [English](./docs/en/README_EN.md)
---
[👑 捐助本项目](https://pyvideotrans.com/about)
---
# 语音识别转文字工具
这是一个离线运行的本地语音识别转文字工具，基于 fast-whipser 开源模型，可将视频/音频中的人类声音识别并转为文字，可输出json格式、srt字幕带时间戳格式、纯文字格式。可用于自行部署后替代 openai 的语音识别接口或百度语音识别等，准确率基本等同openai官方api接口。
fast-whisper 开源模型有 tiny/base/small/medium/large-v3, 内置 tiny 模型，tiny->large-v3识别效果越来越好，但所需计算机资源也更多，根据需要可自行下载后解压到 models 目录下即可。
# 视频演示
https://github.com/jianchang512/stt/assets/3378335/d716acb6-c20c-4174-9620-f574a7ff095d
# 预编译Win版使用方法/Linux和Mac源码部署
1. [点击此处打开Releases页面下载](https://github.com/jianchang512/stt/releases)预编译文件
2. 下载后解压到某处，比如 E:/stt
3. 双击 start.exe ，等待自动打开浏览器窗口即可
4. 点击页面中的上传区域，在弹窗中找到想识别的音频或视频文件，或直接拖拽音频视频文件到上传区域，然后选择发生语言、文本输出格式、所用模型，点击“立即开始识别”，稍等片刻，底部文本框中会以所选格式显示识别结果
5. 如果机器拥有英伟达GPU，并正确配置了CUDA环境，将自动使用CUDA加速
# 源码部署(Linux/Mac/Window)
0. 要求 python 3.9->3.11
1. 创建空目录，比如 E:/stt, 在这个目录下打开 cmd 窗口，方法是地址栏中输入 `cmd`, 然后回车。
使用git拉取源码到当前目录 ` git clone git@github.com:jianchang512/stt.git . `
2. 创建虚拟环境 `python -m venv venv`
3. 激活环境，win下命令 `%cd%/venv/scripts/activate`，linux和Mac下命令 `source ./venv/bin/activate`
4. 安装依赖: `pip install -r requirements.txt`,如果报版本冲突错误，请执行 `pip install -r requirements.txt --no-deps` ,如果希望支持cuda加速，继续执行代码 `pip uninstall -y torch`, `pip install torch --index-url https://download.pytorch.org/whl/cu121`
5. win下解压 ffmpeg.7z，将其中的`ffmpeg.exe`和`ffprobe.exe`放在项目目录下, linux和mac 自行搜索 如何安装ffmpeg
6. [下载模型压缩包](https://github.com/jianchang512/stt/releases/tag/0.0)，根据需要下载模型，下载后将压缩包里的文件夹放到项目根目录的 models 文件夹内
7. 执行 `python start.py `，等待自动打开本地浏览器窗口。
# Api接口
接口地址: http://127.0.0.1:9977/api
请求方法: POST
请求参数:
language: 语言代码:可选如下
>
> 中文：zh
> 英语：en
> 法语：fr
> 德语：de
> 日语：ja
> 韩语：ko
> 俄语：ru
> 西班牙语：es
> 泰国语：th
> 意大利语：it
> 葡萄牙语：pt
> 越南语：vi
> 阿拉伯语：ar
> 土耳其语：tr
>
model: 模型名称，可选如下
>
> base 对应于 models/models--Systran--faster-whisper-base
> small 对应于 models/models--Systran--faster-whisper-small
> medium 对应于 models/models--Systran--faster-whisper-medium
> large-v3 对应于 models/models--Systran--faster-whisper-large-v3
>
response_format: 返回的字幕格式，可选 text|json|srt
file: 音视频文件，二进制上传
Api 请求示例
```python
import requests
# 请求地址
url = "http://127.0.0.1:9977/api"
# 请求参数 file:音视频文件，language：语言代码，model：模型，response_format:text|json|srt
# 返回 code==0 成功，其他失败，msg==成功为ok，其他失败原因，data=识别后返回文字
files = {"file": open("C:/Users/c1/Videos/2.wav", "rb")}
data={"language":"zh","model":"base","response_format":"json"}
response = requests.request("POST", url, timeout=600, data=data,files=files)
print(response.json())
```
# 兼容 openai 语音转文字接口
示例代码
```
# openai兼容格式
from openai import OpenAI
client = OpenAI(api_key='123',base_url='http://127.0.0.1:9977/v1')
audio_file= open("/users/c1/videos/60.wav", "rb")
transcription = client.audio.transcriptions.create(
model="tiny",
file=audio_file,
response_format="text" # 支持 text 、srt 格式，json格式会返回srt字幕解析后的json数据
)
print(transcription.text)
```
# CUDA 加速支持
**安装CUDA工具** [详细安装方法](https://juejin.cn/post/7318704408727519270)
如果你的电脑拥有 Nvidia 显卡，先升级显卡驱动到最新，然后去安装对应的
[CUDA Toolkit](https://developer.nvidia.com/cuda-downloads) 和 [cudnn for CUDA11.X](https://developer.nvidia.com/rdp/cudnn-archive)。
安装完成成，按`Win + R`,输入 `cmd`然后回车，在弹出的窗口中输入`nvcc --version`,确认有版本信息显示，类似该图
然后继续输入`nvidia-smi`,确认有输出信息，并且能看到cuda版本号，类似该图
然后执行 `python testcuda.py`，如果提示成功，说明安装正确，否则请仔细检查重新安装
默认使用 cpu 运算，如果确定使用英伟达显卡，并且配置好了cuda环境，请修改 set.ini 中 `devtype=cpu`为 `devtype=cuda`,并重新启动，可使用cuda加速
# 注意事项
0. 如果没有英伟达显卡或未配置好CUDA环境，不要使用 large/large-v3 模型，可能导致内存耗尽死机
1. 中文在某些情况下会输出繁体字
2. 有时会遇到“cublasxx.dll不存在”的错误，此时需要下载 cuBLAS，然后将dll文件复制到系统目录下，[点击下载 cuBLAS](https://github.com/jianchang512/stt/releases/download/0.0/cuBLAS_win.7z)，解压后将里面的dll文件复制到 C:/Windows/System32下
3. 如果控制台出现"[W:onnxruntime:Default, onnxruntime_pybind_state.cc:1983 onn
````
---
**Machine-readable endpoints**
- JSON: [`/api/graphcanon/tools/jianchang512-stt`](/api/graphcanon/tools/jianchang512-stt)
- LLM index: [/llms.txt](/llms.txt)
- Full corpus: [/llms-full.txt](/llms-full.txt)
_GraphCanon - The knowledge graph for AI development. https://www.graphcanon.com/_