音频转文字

Test version log

音频转文字 Skill

在Claude Code中使用百度智能云语音识别API将音频文件转换为文字。

可用命令

• 音频转文字 - 中文命令
• audio2text - 英文命令

参数说明

所有参数都可以通过命令行传递，也可以通过配置文件或环境变量设置。

参数	类型	必填	默认值	描述
api_key	string	是	-	百度智能云API Key
secret_key	string	是	-	百度智能云Secret Key
audio_dir	string	否	./音频	音频文件目录
text_dir	string	否	./文字	文字输出目录
file_format	string	否	wav	音频文件格式（pcm、wav、amr、m4a）
rate	integer	否	16000	采样率（16000或8000）
dev_pid	integer	否	1537	语言模型ID（1537-普通话，1737-英语，1637-粤语，1837-四川话）

使用方法

方法1：使用命令行参数（推荐）

bash

# 基本用法
/claude skill 音频转文字 \
  --api-key YOUR_API_KEY \
  --secret-key YOUR_SECRET_KEY

# 完整参数示例
/claude skill audio2text \
  --api-key YOUR_API_KEY \
  --secret-key YOUR_SECRET_KEY \
  --audio-dir ./音频 \
  --text-dir ./文字 \
  --file-format wav \
  --rate 16000 \
  --dev-pid 1537

方法2：使用配置文件

1. 创建配置文件 config.json：

json

{
  "api_key": "你的API Key",
  "secret_key": "你的Secret Key",
  "audio_dir": "./音频",
  "text_dir": "./文字",
  "file_format": "wav",
  "rate": 16000,
  "dev_pid": 1537
}

2. 运行skill：

bash

/claude skill 音频转文字 --config config.json

方法3：使用环境变量

bash

# 设置环境变量
export BAIDU_API_KEY="你的API Key"
export BAIDU_SECRET_KEY="你的Secret Key"

# 运行skill（自动使用环境变量）
/claude skill 音频转文字

使用示例

示例1：转换普通话音频

bash

/claude skill 音频转文字 \
  --api-key abc123def456 \
  --secret-key ghi789jkl012

示例2：转换英语音频

bash

/claude skill audio2text \
  --api-key abc123def456 \
  --secret-key ghi789jkl012 \
  --dev-pid 1737  # 英语模型

示例3：自定义目录和格式

bash

/claude skill 音频转文字 \
  --api-key abc123def456 \
  --secret-key ghi789jkl012 \
  --audio-dir /path/to/my/audio \
  --text-dir /path/to/output/text \
  --file-format pcm \
  --rate 8000

示例4：处理特定语言的音频

bash

# 普通话（默认）
--dev-pid 1537

# 英语
--dev-pid 1737

# 粤语
--dev-pid 1637

# 四川话
--dev-pid 1837

文件结构要求

输入目录结构

text

项目目录/
└── 音频/                    # 音频文件目录（可通过--audio-dir修改）
    ├── 录音1.wav
    ├── 录音2.pcm
    └── 录音3.amr

输出目录结构

text

项目目录/
└── 文字/                    # 文字输出目录（可通过--text-dir修改）
    ├── 录音1.txt           # 识别文本
    ├── 录音1.json          # 完整JSON结果
    ├── 录音2.txt
    ├── 录音2.json
    └── 处理报告_时间戳.json # 处理报告

支持的音频格式

• wav (推荐) - 最高兼容性
• pcm - 原始音频数据
• amr - 自适应多速率音频
• m4a - MPEG-4音频

音频文件要求

• 采样率: 16000Hz 或 8000Hz
• 声道: 单声道
• 文件大小: 建议小于10MB
• 时长: 建议小于60秒（长音频可分片）

输出说明

文本文件 (.txt)

包含识别出的纯文本内容。

JSON文件 (.json)

包含完整的API响应，包括：

• 识别文本
• 置信度分数
• 识别时长
• 原始API响应数据

处理报告 (.json)

包含批量处理的汇总信息：

• 处理文件总数
• 成功/失败数量
• 每个文件的处理状态
• 错误信息（如果有）

错误处理

skill会自动处理以下情况：

• API密钥无效或过期
• 网络连接问题
• 音频格式不支持
• 文件读取错误

错误信息会记录在日志和处理报告中。

注意事项

1. API限制: 百度语音识别API有每日免费额度，超出后会产生费用
2. 频率限制: 避免频繁调用API，建议处理间隔至少1秒
3. 音频质量: 清晰的音频可以获得更好的识别效果
4. 长音频处理: 超过60秒的音频建议分割成小片段
5. 重要数据: 建议先测试小片段，确认识别效果

故障排除

常见问题

1. "获取token失败"

   • 检查API Key和Secret Key是否正确
   • 确认百度智能云语音识别服务已开通

2. "未找到音频文件"

   • 检查--audio-dir参数指定的目录是否存在
   • 确认音频文件格式受支持（.wav, .pcm, .amr, .m4a）

3. "音频格式不支持"

   • 检查--file-format参数设置是否正确
   • 确认音频文件的采样率和声道符合要求

4. 网络连接问题

   • 检查网络连接是否正常
   • 如果使用代理，确保正确配置

获取帮助

查看详细文档：

• README.md - 完整使用指南
• audio_to_text.py - 源代码
• config.example.json - 配置文件示例

版本信息

• 当前版本: 1.0.0
• 更新日期: 2026-03-15
• 作者: Claude Code

许可证

MIT