# GLM-ASR-Nano-2512代码实例：Python调用本地API实现MP3/WAV实时转录 ## 1. 项目介绍与环境准备 GLM-ASR-Nano-2512是一个强大的开源语音识别模型，拥有15亿参数。这个模型专门为应对现实世界的复杂性而设计，在多个基准测试中性能超越了OpenAI Whisper V3，同时保持了相对较小的模型体积。 **核心优势**： - 支持中文（普通话和粤语）和英文识别 - 对低音量语音有很好的识别能力 - 支持多种音频格式：WAV、MP3、FLAC、OGG - 提供麦克风实时录音和文件上传功能 **环境要求**： - 硬件：NVIDIA GPU（推荐RTX 4090/3090）或CPU运行 - 内存：16GB以上RAM - 存储：10GB以上可用空间 - 驱动：CUDA 12.4+（如果使用GPU） ## 2. 快速部署GLM-ASR服务 ### 2.1 Docker部署（推荐方式） 使用Docker部署是最简单的方法，可以避免环境依赖问题。首先确保你的系统已经安装了Docker和NVIDIA容器工具包。 ```bash # 克隆项目 git clone https://github.com/THUDM/GLM-ASR-Nano-2512.git cd GLM-ASR-Nano-2512 # 构建Docker镜像 docker build -t glm-asr-nano:latest . # 运行容器（GPU版本） docker run --gpus all -p 7860:7860 glm-asr-nano:latest # 如果只有CPU，使用这个命令 docker run -p 7860:7860 glm-asr-nano:latest ``` ### 2.2 直接运行方式 如果你更喜欢直接在主机上运行，可以按照以下步骤： ```bash # 进入项目目录 cd /root/GLM-ASR-Nano-2512 # 安装Python依赖 pip3 install torch torchaudio transformers gradio # 启动服务 python3 app.py ``` 服务启动后，你可以通过浏览器访问 http://localhost:7860 来使用Web界面，或者通过API接口 http://localhost:7860/gradio_api/ 进行程序调用。 ## 3. Python调用本地API实现实时转录 ### 3.1 安装必要的Python库 在开始编写代码前，确保安装了所需的Python库： ```bash pip install requests soundfile pydub ``` ### 3.2 基础API调用代码 下面是一个简单的Python示例，展示如何调用本地GLM-ASR服务的API进行语音转录： ```python import requests import json import time class GLMASRClient: def __init__(self, base_url="http://localhost:7860"): self.base_url = base_url self.api_url = f"{base_url}/gradio_api/" def transcribe_audio(self, audio_path): """转录本地音频文件""" try: # 读取音频文件 with open(audio_path, 'rb') as audio_file: files = {'audio': audio_file} response = requests.post(self.api_url, files=files) if response.status_code == 200: result = response.json() return result['data'][0] # 返回转录文本 else: print(f"请求失败，状态码: {response.status_code}") return None except Exception as e: print(f"转录过程中出错: {str(e)}") return None # 使用示例 if __name__ == "__main__": client = GLMASRClient() # 转录MP3文件 result = client.transcribe_audio("example.mp3") print(f"转录结果: {result}") ``` ### 3.3 实时音频流转录 对于需要实时处理的应用场景，你可以使用以下代码实现音频流的实时转录： ```python import pyaudio import wave import threading import requests from collections import deque class RealTimeTranscriber: def __init__(self, api_url="http://localhost:7860/gradio_api/"): self.api_url = api_url self.audio_queue = deque() self.is_recording = False # 音频参数设置 self.chunk = 1024 self.format = pyaudio.paInt16 self.channels = 1 self.rate = 16000 def start_recording(self): """开始录制音频""" self.is_recording = True self.audio_frames = [] p = pyaudio.PyAudio() stream = p.open(format=self.format, channels=self.channels, rate=self.rate, input=True, frames_per_buffer=self.chunk) print("开始录音...按Ctrl+C停止") try: while self.is_recording: data = stream.read(self.chunk) self.audio_frames.append(data) # 每录制2秒发送一次识别 if len(self.audio_frames) >= (self.rate * 2) // self.chunk: self.process_audio_chunk() except KeyboardInterrupt: print("停止录音") finally: stream.stop_stream() stream.close() p.terminate() def process_audio_chunk(self): """处理音频片段并发送到API""" if not self.audio_frames: return # 保存临时音频文件 temp_file = "temp_audio.wav" wf = wave.open(temp_file, 'wb') wf.setnchannels(self.channels) wf.setsampwidth(2) # 16-bit wf.setframerate(self.rate) wf.writeframes(b''.join(self.audio_frames)) wf.close() # 发送到API try: with open(temp_file, 'rb') as audio_file: files = {'audio': audio_file} response = requests.post(self.api_url, files=files) if response.status_code == 200: result = response.json() transcription = result['data'][0] print(f"实时转录: {transcription}") except Exception as e: print(f"转录错误: {str(e)}") # 清空当前帧，准备下一段录音 self.audio_frames = [] # 使用示例 if __name__ == "__main__": transcriber = RealTimeTranscriber() # 在后台线程中运行录音 record_thread = threading.Thread(target=transcriber.start_recording) record_thread.start() # 主线程可以继续做其他事情 try: while True: time.sleep(1) except KeyboardInterrupt: transcriber.is_recording = False record_thread.join() ``` ## 4. 高级功能与实用技巧 ### 4.1 批量处理音频文件 如果你需要处理大量音频文件，可以使用以下批量处理代码： ```python import os from concurrent.futures import ThreadPoolExecutor def batch_transcribe(audio_dir, output_file="transcriptions.txt"): """批量转录目录中的所有音频文件""" client = GLMASRClient() audio_files = [f for f in os.listdir(audio_dir) if f.endswith(('.wav', '.mp3', '.flac', '.ogg'))] results = [] def process_file(filename): audio_path = os.path.join(audio_dir, filename) transcription = client.transcribe_audio(audio_path) return filename, transcription # 使用多线程加速处理 with ThreadPoolExecutor(max_workers=4) as executor: for filename, transcription in executor.map(process_file, audio_files): results.append((filename, transcription)) print(f"处理完成: {filename}") # 保存结果 with open(output_file, 'w', encoding='utf-8') as f: for filename, transcription in results: f.write(f"{filename}\t{transcription}\n") print(f"批量处理完成，结果保存在 {output_file}") # 使用示例 batch_transcribe("audio_files/") ``` ### 4.2 自定义API参数 GLM-ASR服务支持一些高级参数，你可以通过以下方式自定义： ```python def transcribe_with_params(audio_path, language="auto", beam_size=5): """带参数的自定义转录函数""" try: with open(audio_path, 'rb') as audio_file: files = {'audio': audio_file} data = { 'language': language, 'beam_size': beam_size } response = requests.post( "http://localhost:7860/gradio_api/", files=files, data=data ) if response.status_code == 200: return response.json()['data'][0] return None except Exception as e: print(f"错误: {str(e)}") return None ``` ## 5. 常见问题与解决方案 ### 5.1 性能优化建议 **GPU内存不足**： - 减少beam_size参数值 - 使用更短的音频片段 - 确保没有其他程序占用GPU内存 **转录速度慢**： ```python # 使用更小的beam_size可以加快速度但可能降低准确率 result = transcribe_with_params("audio.wav", beam_size=3) ``` ### 5.2 错误处理与重试机制 在实际应用中，添加重试机制可以提高稳定性： ```python import time from tenacity import retry, stop_after_attempt, wait_exponential @retry(stop=stop_after_attempt(3), wait=wait_exponential(multiplier=1, min=4, max=10)) def robust_transcribe(audio_path): """带重试机制的转录函数""" client = GLMASRClient() result = client.transcribe_audio(audio_path) if result is None: raise Exception("转录失败") return result # 使用示例 try: transcription = robust_transcribe("important_audio.mp3") print(f"转录成功: {transcription}") except Exception as e: print(f"多次尝试后仍然失败: {str(e)}") ``` ## 6. 总结 通过本文的介绍，你应该已经掌握了如何使用Python调用GLM-ASR-Nano-2512的本地API实现MP3/WAV音频文件的实时转录。这个模型在保持较小体积的同时，提供了出色的语音识别性能，特别适合中文环境下的应用。 **关键要点回顾**： 1. GLM-ASR-Nano-2512支持多种音频格式和实时录音功能 2. 可以通过Docker快速部署服务，也可以通过直接运行方式 3. Python调用API简单直接，适合集成到各种应用中 4. 提供了实时转录和批量处理的高级功能示例 5. 包含错误处理和性能优化的实用建议 在实际应用中，你可以根据具体需求调整代码，比如添加更复杂的错误处理、集成到Web应用、或者开发桌面应用程序。GLM-ASR-Nano-2512的强大性能为语音识别应用提供了可靠的基础。 --- > **获取更多AI镜像** > > 想探索更多AI镜像和应用场景？访问 [CSDN星图镜像广场](https://ai.csdn.net/?utm_source=mirror_blog_end)，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。