🔊 基于 GLM-ASR-Nano-2512 的实时语音识别系统，支持实时对话与文件上传两种模式。
SonicScribe 是一个基于 GLM-ASR-Nano-2512 模型的 Web 原生实时语音转文字系统，采用前后端分离架构，支持低延迟、高准确率的语音识别服务。适用于会议记录、讲座整理、访谈笔记、日常对话等多种场景。
系统提供两种核心模式：
- 实时对话：麦克风实时录音，边说边转文字，支持人声检测与状态指示。
- 文件分析：上传音频文件（支持 WAV、MP3、FLAC 等格式），系统自动转换并流式输出分段结果。
✨ 新增功能(2026-01-11)
- 热词优化：在文件转录时支持添加特定领域热词，提高专业术语识别准确率
- INT8 量化：采用8位整数量化技术，大幅降低显存占用，使模型可在低配GPU设备上运行
- Python 3.8+
- Node.js 18+
git,pip,npm
# 1. 克隆项目
git clone https://github.com/gengyuchao/SonicScribe.git
cd SonicScribe
# 2. 安装后端依赖
cd backend
python -m venv venv
source venv/bin/activate # Linux/Mac
# 或：venv\Scripts\activate # Windows
pip install -r requirements.txt
cp .env_template .env
# 3. 安装前端依赖
cd ../frontend
npm install
cp .env_template .env
# 4. 下载语音识别模型
# 访问：https://huggingface.co/zai-org/GLM-ASR-Nano-2512
# 下载后放入：backend/models/GLM-ASR-Nano-2512# 启动后端服务
cd backend
python main.py
# 启动前端开发服务器
cd ../frontend
npm run dev -- --port 8080🌐 打开浏览器访问
http://localhost:8080即可使用。
- 进入 “实时对话” 标签页。
- 点击 “开始录音”，允许麦克风权限。
- 开始说话，系统将实时显示转录结果。
- 点击 “停止” 结束录音，查看完整文本。
- 进入 “文件分析” 标签页。
- 点击 “选择文件”，上传音频文件（支持 MP3、WAV、FLAC、M4A、OGG、WebM 等）。
- 点击 “开始转录”，系统将自动处理并实时显示进度。
- 转录完成后，可查看完整文本、时间戳与统计信息。
- 音频数据以 64ms 为单位分片。
- 通过 WebSocket 实时传输至后端。
- 后端执行 语音活动检测（VAD），过滤静音段。
- 语音段最长为 20 秒（可配置），自动拆分超长音频。
- 结果分两阶段返回：
- 临时结果：每秒生成一次，用于实时预览。
- 最终结果：语音段结束时确认并输出。
- 支持格式：WAV、MP3、FLAC、M4A、OGG、WebM。
- 自动转换为 16kHz 单声道 PCM 格式。
- 输入标准化为浮点型
[1, N]格式，确保模型输入一致性。
- 使用 GLM-ASR-Nano-2512 模型，支持中文普通话与英文识别。
- 推荐使用 GPU（CUDA）加速，显著提升处理速度。
- 可通过
DEVICE=cuda在环境变量中启用。 - 热词功能：通过动态词典增强，显著提升特定领域术语识别准确率，尤其适用于专业会议、学术讲座等场景。
- INT8 量化支持： 标准模型显存占用：4936MiB INT8 量化后显存占用：2948MiB（减少约40%）
复制前后端的 .env_template 为 .env 并根据需求修改：
| 变量 | 默认值 | 说明 |
|---|---|---|
HOST |
0.0.0.0 |
服务绑定地址 |
PORT |
8000 |
服务端口 |
DEVICE |
cuda |
使用 cuda 启用 GPU 加速（推荐） |
VAD_SPEECH_THRESHOLD |
0.6 |
VAD 语音检测阈值（越低越敏感） |
MAX_SEGMENT_DURATION |
20.0 |
单个语音段最大持续时间（秒） |
💡 建议使用 GPU（至少 6GB 显存）以获得最佳性能。
💡 注意前后端的端口设计端口不同，请根据实际应用设置。
- 支持音频格式：WAV、MP3、FLAC、M4A、OGG、WebM。
- 浏览器支持：需支持 Web Audio API 与 WebSocket 的现代浏览器（Chrome、Firefox、Edge）。
项目已提供便捷脚本用于生成自签名 SSL 证书：
-
进入证书目录：
cd certs -
执行生成脚本：
chmod +x generate_cert.sh ./generate_cert.sh
-
生成的文件包括：
cert.pem- 证书文件key.pem- 私钥文件
-
使用说明：
- 自签名证书需要在浏览器中手动信任
- 生产环境请使用 Let's Encrypt 或商业证书
我们欢迎社区贡献！请按以下流程提交：
- Fork 本仓库。
- 创建功能分支：
git checkout -b feature/new-feature。 - 提交更改：
git commit -m '添加新功能'。 - 推送至远程：
git push origin feature/new-feature。 - 提交 Pull Request。
This project is licensed under the Apache License, Version 2.0 - see the LICENSE file for details.
- GLM-ASR-Nano-2512 — 高效中文语音识别模型。
- Silero VAD — 稳定的语音活动检测技术。
✅ 专为开发者设计，用于实时语音处理。
🚀 开始你的语音转文字之旅 — 点击开始！