录音转文字前先预处理:用 ffmpeg 做 5 步音频清洗,ASR 识别率明显提升

作者:P'off日期:2026/11/14

做语音识别(ASR)的人大多踩过同一个坑:同一段会议录音,直接丢给转写引擎,出来的文本满是「嗯啊」「半句话」「甲乙丙分不清」;但把音频先处理一遍,识别准确率能肉眼可见地提升。这篇文章不聊某个具体产品,只讲一套通用的音频预处理流水线——ffmpeg 加几行 Python,跑完再交给任何转写引擎都更稳。

为什么不能直接丢原始文件?三个常见原因:

  1. 采样率/声道不匹配:很多模型内部只跑 16kHz 单声道,你喂 48kHz 立体声,它要先重采样,顺带把底噪一起放大。
  2. 响度忽高忽低:远程会议里有人用小音箱、有人用耳机,音量差十倍,模型对弱信号段落容易漏字。
  3. 长文件 + 重叠说话:一段两小时的录制,中间没有停顿,模型很难切句,说话人一多就乱标。

下面这 5 步,按顺序跑,每一步都有可复现的命令。

第 1 步:统一成 16kHz 单声道 WAV

先降维。把各种来源的音频归一化到模型最友好的格式,文件也更小、跑得更快。

1# m4a/mp3/mp4 等任意输入,统一成 16k 单声道 16bit PCM
2ffmpeg -y -i input.m4a -ar 16000 -ac 1 -c:a pcm_s16le step1_mono.wav
3

-ar 16000 是采样率,-ac 1 是单声道。绝大多数开源/云端 ASR 的声学模型 backbone 都在 16kHz 上训练,这一步能省掉引擎内部的不确定重采样。

第 2 步:响度归一化

用 loudnorm 把整段拉到语音标准响度(集成响度 -16 LUFS,播客/人声常用值),避免某个人声音太小被当成静音。

1ffmpeg -y -i step1_mono.wav \
2  -af loudnorm=I=-16:TP=-1.5:LRA=11 \
3  -ar 16000 -ac 1 step2_norm.wav
4

I 是目标集成响度,TP 是真峰上限,LRA 是响度范围。三个参数一起把「忽大忽小」压平。

第 3 步:频域降噪

底噪(空调、风扇、电流声)会干扰清音辅音的识别。用 afftdn 在频域把低于噪声地板的成分压掉。

1ffmpeg -y -i step2_norm.wav -af "afftdn=nf=-28" step3_denoised.wav
2

nf 是噪声地板,单位 dB。这个值别调太狠(-40 以下容易把气声也削掉),-25 到 -30 之间通常比较稳。如果你想要更平滑的时域降噪,也可以换 anlmdn,代价是稍多一点计算量。

第 4 步:按静音切分长文件

很多转写服务对单文件时长有限制(比如单个文件不超过 60 分钟),而且太长的连续语音会让句边界和说话人判断变差。用 silencedetect 找出停顿点,再自动切片。

先探测静音段:

1ffmpeg -i step3_denoised.wav \
2  -af silencedetect=noise=-35dB:d=0.8 -f null - 2>&1 | grep silencedetect
3

输出形如 silence_start: 12.3 / silence_end: 13.6。下面这段 Python 把它切成不超过 max_len 秒的小段,切点尽量落在静音中段,避免把一句话拦腰截断:

1import subprocess, re, os
2
3WAV = "step3_denoised.wav"
4MAX_LEN = 600  # 每段上限 10 分钟
5OUTDIR = "chunks"
6os.makedirs(OUTDIR, exist_ok=True)
7
8# 1) 拿静音区间
9log = subprocess.run(
10    ["ffmpeg", "-i", WAV, "-af", "silencedetect=noise=-35dB:d=0.8",
11     "-f", "null", "-"],
12    stderr=subprocess.PIPE, text=True
13).stderr
14starts = [float(m) for m in re.findall(r"silence_start: (\S+)", log)]
15ends   = [float(m) for m in re.findall(r"silence_end: (\S+)", log)]
16
17# 2) 在静音中点处切,保证每段 <= MAX_LEN
18cuts = [0.0]
19for s, e in zip(starts, ends):
20    mid = (s + e) / 2.0
21    if mid - cuts[-1] > MAX_LEN:
22        cuts.append(mid)
23cuts.append(None)  # 末段到结尾
24
25# 3) 逐段导出
26for i in range(len(cuts) - 1):
27    start = cuts[i]
28    end = cuts[i + 1]
29    seg = f"{OUTDIR}/chunk_{i:03d}.wav"
30    cmd = ["ffmpeg", "-y", "-i", WAV, "-ss", str(start)]
31    if end is not None:
32        cmd += ["-to", str(end)]
33    cmd += ["-ar", "16000", "-ac", "1", seg]
34    subprocess.run(cmd)
35    print("wrote", seg, "start=", start, "end=", end)
36

跑完你会得到 chunk_000.wav、chunk_001.wav……每段都不超上限,且切口基本在换气处。

第 5 步(可选):用参考文本快速核验

如果你手上有一段人工听写的参考文本,可以用 jiwer 算个词错误率(WER),判断预处理到底有没有用,而不是凭感觉。

1pip install jiwer
2
1from jiwer import wer
2
3reference = "今天我们要讨论第三季度的上线计划"
4hypothesis = "今天我们要讨论第 3 季度的上线计划"
5print("WER =", wer(reference, hypothesis))
6

WER 越低越好。把第 3、4 步前后的 WER 对比一下,通常能直接看到降噪 + 切片带来的提升。

处理完交给转写引擎:怎么选

流水线跑完,干净的音频可以走两条路:

  • 自建 Whisper / faster-whisper:完全本地、数据不出门,适合有 GPU、量大的团队;缺点是环境搭建和显存占用。
  • 在线转写工具:上传处理好(且已切到时长上限内)的音频,直接拿带时间戳和说话人标签的文本。比如做 audio transcription 这类在线工具,支持上传文件、粘贴链接或浏览器内录音三种输入,能输出说话人分离、时间戳、90+ 语言互译,并导出 TXT / Word / PDF / SRT / VTT;免费额度是免登录 60 次一次性积分、登录后每日 240 分钟,单文件上限 60 分钟——所以第 4 步的切片在长录音场景里几乎是必做项。

选哪条路看你的数据合规要求和体量。但无论哪条,前面 5 步预处理都是通用且免费的,先洗一遍音频,再去比识别效果,结论会靠谱得多。

几个容易翻车的小结

  • 重采样放在最前面(第 1 步),后面所有处理都基于统一格式,避免重复重采样引入误差。
  • 降噪地板 -28 不是绝对值,环境越安静可以越轻(比如 -22),越吵可以略重,但别低于 -35。
  • 切片上限按你用的转写服务的单文件限制来定,不要拍脑袋。
  • 如果源文件本来就是清晰近场人声,第 3 步可以跳过,过度降噪反而伤音质。

把这套流程存成脚本,下次拿到任何录音,一键跑完再转写,省下的校对时间比预处理本身多得多。


参考文档


《录音转文字前先预处理:用 ffmpeg 做 5 步音频清洗,ASR 识别率明显提升》 是转载文章,点击查看原文。


相关推荐


【技术专题】CSS3 网页技术 - CSS3 变换与动画
java1234_小锋2026/11/5

大家好,我是Java1234_小锋老师,最近更新 《一天学会 CSS3 视频教程(无废话版) 》专辑,感谢大家支持。 本课程主要介绍和讲解 CSS3简介,CSS3 入门,CSS3 选择器与优先级,CSS3 单位、颜色、字体 与文本,CSS3 盒模型 与基础样式,CSS3 布局基础,CSS3 布局进阶,CSS3 视觉 增强,CSS3 变换与动画,CSS3 函数与变量,CSS3 响应式 与移动端适配,CSS3 工程化与最佳实践。 视频教程+课件+源码 打包下载 : 链接:https:


计算机毕设选题推荐:基于深度学习的人脸情绪识别方法研究,ResNet50 + 双域外拒识 + Django/Vue 全栈可视化大屏
BYSJMG2026/10/28

精彩专栏推荐订阅:在下方主页👇🏻👇🏻👇🏻👇🏻 💖🔥作者主页:计算机毕设木哥🔥 💖 文章目录 一、项目介绍二、视频展示三、开发环境四、系统展示五、代码展示六、项目文档展示七、项目总结<font color=#fe2c24 >大家可以帮忙点赞、收藏、关注、评论啦 👇🏻 一、项目介绍 人脸情绪识别在人机交互、心理健康筛查和课堂状态分析里都有现实用途,但传统做法依赖人工观察或浅层特征,面对光照变化、遮挡和相近表情时容易误判。通用图像分类模型虽然能识别物体,


越华环保集团碳惠小屋:物联网 + 区块链赋能碳普惠终端,构建可信个人碳账户体系
MuMuMu12232026/10/20

/* MD / 富文本中的 .toc(含博客园搬家等嵌套结构);.toc-box 在侧栏,不受影响 */ #content_views .toc, /* 编辑器常在目录前后插入空 p(:empty 仍占 20px),一并去掉避免顶空隙 */ #content_views.markdown_views > p:empty:has(+ .toc), #content_views.markdown_views > .toc + p:emp


八种语言的工作流引擎,我用 6 张 UML 图画完了
mldong2026/10/17

写在前面 jeeflow 的文档站有八篇概念文(架构、领域模型、执行引擎、扩展、SPI、契约、门面、元数据),加起来 1,263 行。我刚才在 docs/ 和 SPEC.md 里搜了一遍 classDiagram、sequenceDiagram、erDiagram、mermaid、plantuml——零命中。八篇全是文字和表格。 这不是偷懒。图这东西一旦画出来就得跟着代码走,而这套引擎九个月里从一种语言长到八种,谁也不敢画一张"保证下周还对"的图。 但缺图的代价我最近几个月反复遇到:新人问"任务


审批流程图上那些亮着的线,数据库里一条都没存:jeeflow 工作流引擎的高亮是重算出来的
mldong2026/10/11

一、先给一条能被当场推翻的断言:库里没有"边" 一条审批单打开,流程图上走过的线是绿的、当前那一格是橙的。直觉上这套颜色该来自数据库里"走过的边"的记录——但建表 SQL 里八张 wf_* 表,没有一个字段用来存边。可以这么自证: grep -icE 'edge|transition|line' schema-mysql.sql # 输出 0 任务表 wf_process_task 里跟画布对得上的只有两列:task_name 说明这一行发生在哪个节点(注释写着"任务名称编码",存的是画布节点


ai agent --- redis 缓存
snow来了2026/10/2

一.redis 是什么? 1.概念 Redis(Remote Dictionary Server)是一个基于内存的键值对(Key-Value)数据库,同时也是一个高性能的缓存中间件。 它最大的特点是快——读写操作都在内存中完成,官方标称读性能可达 10 万+ QPS(每秒查询数)。 放在内存里面的东西就叫 缓存,因为程序一断开,内存里面的东西就清空了。 2.为什么radis很快? 他的数据放在内存里面--不需要读取磁盘 他是单线程模型--避免多线程上下文切换 他是基于多路复用(epol


DeepSeek Harness 系列图解
怕浪猫2026/9/26


Linux系统——基础IO(上)
进击的荆棘2026/9/18

💁‍♂️个人主页:进击的荆棘 👇作者其它专栏: 《数据结构与算法》《算法》《C++起始之路》《Linux》 目录 1.理解“文件” 2.C文件接口 3.系统文件I/O 4.理解“一切皆文件” 5.缓冲区 1.理解“文件” 1.1狭义理解 ●文件在磁盘里 ●磁盘是永久性存储介质,因此文件在磁盘上的存储是永久性的 ●磁盘是外设(既是输出设备也是输入设备) ●磁盘上的文件本质是:对文件的所有操作,都是对外设的输入和输出,检查IO 1.2广义理解 ●L


密码管理工具站正式上线啦
乱码三千2026/9/10

前言 互联网时代要存储的密码实在太多, 脑袋压根记不过来, 只能借助外物, 比如存到便签里, 或者建一个Excel表格, 但是存在两个问题, 那就是安全性和便捷性不够 我的要求是随时随地都能查看、编辑、保存和新增密码, 无论是外出还是在家, 也不管是使用电脑还是手机, 可以进行无缝切换 其实苹果自带的密钥就很好用, 但是局限于苹果设备, 万一哪天换安卓了, 就很尴尬, 虽然支持云端存储, 但是不能导出到本地, 安全性和便捷性还是不足 便签的话更不用说了, 明文显示, 安全性极差 既然存到第三方平


同一份 15 个流程 JSON,第六种语言也跑通了:工作流引擎 Rust 移植实录
mldong2026/9/2

一、第六格不是"翻译" 这个系列写过五门语言的工作流引擎:Java、Go、Python、Node、PHP。五门语言读的是同一份东西——引擎仓库里 flows/ 目录下的 15 个流程 JSON:简单审批、多任务、条件路由、fork-join、三种会签、退回发起人、混合模式……六语言 demo 共读这一个目录,改一处,六边验证。 第六种语言是 Rust。 先说清楚一件事,免得标题被误读:Rust 里不缺"工作流引擎"——做任务编排(durable execution)的有 Temporal、wor

首页编辑器站点地图

本站内容在 CC BY-SA 4.0 协议下发布

Copyright © 2026 聚合阅读