在Aiogram中实现Telegram语音消息的实时Whisper转录

新闻中心 NEWS CENTER

您当前位置：首页 > 新闻中心 > 网络学院

在Aiogram中实现Telegram语音消息的实时Whisper转录

2025-12-02

浏览次数：次

返回列表

在Aiogram中实现Telegram语音消息的实时Whisper转录

本文详细介绍了如何在aiogram框架下，不将telegram语音消息保存到磁盘，而是利用`io.bytesio`对象在内存中进行处理，并结合`faster-whisper`库实现高效的语音转录。通过这种方法，开发者可以构建响应迅速、资源友好的telegram机器人，直接将用户发送的语音消息实时转换为文本，有效避免了文件i/o操作带来的延迟和存储开销。

在Aiogram中实时转录Telegram语音消息

在构建Telegram机器人时，处理用户发送的语音消息并将其转录为文本是一项常见需求。传统方法可能涉及将语音文件下载到本地磁盘，然后再进行处理，但这会引入额外的磁盘I/O开销和文件管理复杂性。为了提高效率并减少资源消耗，一种更优的方案是利用内存中的io.BytesIO对象来存储语音数据，并直接将其传递给语音转录模型。

本教程将详细介绍如何在Aiogram框架下，结合faster-whisper库实现这一功能，从而无需将语音消息保存到磁盘即可完成转录。

核心原理

实现无盘转录的关键在于以下两点：

io.BytesIO对象： 这是一个在内存中操作二进制数据的流，其行为类似于文件，但数据存储在RAM中。Aiogram可以将下载的文件内容直接写入这个内存流。
faster-whisper库： 这是一个基于CTranslate2的OpenAI Whisper模型的重实现，它提供了比原始Whisper模型更快的推理速度和更低的内存消耗，并且能够直接接受文件路径或文件类对象（如io.BytesIO）作为输入。

准备工作

在开始之前，请确保你的环境中安装了必要的库：

pip install aiogram faster-whisper

faster-whisper在首次使用时会自动下载Whisper模型。你可以根据需求选择不同的模型大小（如tiny, base, small, medium, large）。

Scenario

一个AI生成游戏资产的工具

56 查看详情 Scenario

实现步骤

以下是在Aiogram中处理语音消息并进行转录的详细步骤：

导入所需库： 首先，我们需要导入aiogram的Message类型、faster_whisper库以及Python内置的io模块。
```
from aiogram.types import Message
from faster_whisper import WhisperModel
import io
```

创建异步消息处理器： 定义一个异步函数来处理接收到的语音消息。这个函数将作为Aiogram的处理器注册。

async def transcribe_voice_message(message: Message):
    # 确保消息包含语音
    if not message.voice:
        await message.reply("请发送语音消息。")
        return

    # 获取语音消息的文件ID
    file_id = message.voice.file_id
    bot = message.bot # 获取机器人实例

将语音文件下载到内存： 这是核心步骤。我们首先获取文件对象，然后创建一个io.BytesIO实例，并将语音文件的内容下载到这个内存流中。

    # 获取文件对象信息
    file = await bot.get_file(file_id)
    file_path = file.file_path

    # 创建一个BytesIO对象用于内存存储
    file_obj = io.BytesIO()
    # 将文件内容下载到BytesIO对象中
    await bot.download_file(file_path, destination=file_obj)

    # 重置缓冲区位置到开头，以便Whisper模型可以从头开始读取
    file_obj.seek(0)

注意： file_obj.seek(0)这一步至关重要。download_file操作会将文件指针移动到流的末尾，如果不重置，WhisperModel将无法读取任何数据。

初始化Whisper模型并进行转录： 实例化WhisperModel，并将其audio参数直接设置为我们内存中的file_obj。

    # 初始化Whisper模型
    # "tiny" 是一个较小的模型，适合快速演示和资源有限的场景
    # 你可以根据需求选择 "base", "small", "medium", "large"
    # 首次运行时会自动下载模型
    model = WhisperModel("tiny", device="cpu", compute_type="int8") # 可以在GPU上运行 device="cuda&quot;

    # 从BytesIO对象转录音频
    # language='en' 指定源语言，可以提高转录准确性，或设置为None进行自动检测
    segments, info = model.transcribe(
        audio=file_obj,
        language='en', # 假设语音是英文，如果未知可设置为None
        beam_size=5
    )

    # 组合转录片段成一个完整的字符串
    transcription = " ".join(segment.text for segment in segments)
    print(f'转录结果: {transcription}')

    # 将转录结果发送给用户
    await message.reply(f"语音转录结果：\n`{transcription}`")

完整示例代码

将以上步骤整合到一个完整的Aiogram机器人示例中：

from aiogram import Bot, Dispatcher, types
from aiogram.filters import CommandStart
from aiogram.types import Message
from faster_whisper import WhisperModel
import io
import asyncio
import logging

# 配置日志
logging.basicConfig(level=logging.INFO)

# 替换为你的Bot Token
API_TOKEN = 'YOUR_BOT_TOKEN' 

# 初始化Bot和Dispatcher
bot = Bot(token=API_TOKEN)
dp = Dispatcher()

# 初始化Whisper模型（可以全局初始化以避免重复加载）
# 选择合适的模型大小和计算类型
# "tiny" 模型较小，适合快速测试
# device="cpu" 或 device="cuda" (如果可用GPU)
# compute_type="int8" 通常在CPU上提供不错的性能
whisper_model = WhisperModel("tiny", device="cpu", compute_type="int8")

@dp.message(CommandStart())
async def send_welcome(message: types.Message):
    """
    处理 /start 命令
    """
    await message.reply("你好！请发送语音消息，我将尝试将其转录为文本。")

@dp.message(types.ContentType.VOICE)
async def transcribe_voice_message(message: Message):
    """
    处理用户发送的语音消息并进行转录
    """
    await message.reply("正在处理您的语音消息，请稍候...")

    try:
        file_id = message.voice.file_id

        # 获取文件对象信息
        file = await bot.get_file(file_id)
        file_path = file.file_path

        # 创建一个BytesIO对象用于内存存储
        file_obj = io.BytesIO()
        # 将文件内容下载到BytesIO对象中
        await bot.download_file(file_path, destination=file_obj)

        # 重置缓冲区位置到开头，以便Whisper模型可以从头开始读取
        file_obj.seek(0)

        # 从BytesIO对象转录音频
        # language='en' 指定源语言，可以提高转录准确性，或设置为None进行自动检测
        segments, info = whisper_model.transcribe(
            audio=file_obj,
            language='en', # 假设语音是英文，如果未知可设置为None
            beam_size=5
        )

        # 组合转录片段成一个完整的字符串
        transcription = " ".join(segment.text for segment in segments)

        if transcription:
            await message.reply(f"语音转录结果：\n`{transcription}`")
        else:
            await message.reply("未能识别语音内容，请重试。")

    except Exception as e:
        logging.error(f"语音转录失败: {e}")
        await message.reply(f"处理语音消息时发生错误：{e}")

async def main():
    await dp.start_polling(bot)

if __name__ == "__main__":
    asyncio.run(main())

注意事项与最佳实践

io.BytesIO的生命周期： io.BytesIO对象及其包含的数据会一直存在于内存中，直到不再有对它的引用，然后由Python的垃圾回收机制回收。在上述示例中，file_obj在transcribe_voice_message函数执行完毕后，如果没有其他引用，就会被回收，因此无需担心内存泄漏或数据永久驻留。
模型选择： faster-whisper支持多种大小的Whisper模型。tiny模型速度最快但准确性最低，large-v2或large-v3模型最准确但速度最慢且内存占用最大。根据你的应用场景和硬件资源选择合适的模型。
计算设备与类型： WhisperModel初始化时可以通过device参数指定运行设备（cpu或cuda），通过compute_type参数指定计算精度（int8, int8_float16, float16, float32）。在有GPU的情况下使用cuda和float16通常能获得最佳性能。
错误处理： 在实际应用中，应增加更健壮的错误处理机制，例如处理网络中断、文件下载失败、转录模型加载失败或转录结果为空等情况。
并发性与资源： 如果机器人需要处理大量并发语音消息，需要考虑服务器的CPU/GPU和内存资源。faster-whisper在处理大型模型时可能会消耗较多资源。
语言检测： 如果语音消息的语言不确定，可以将language参数设置为None，让Whisper模型自动检测语言。但明确指定语言通常会提高转录准确性。

总结

通过利用io.BytesIO对象将Telegram语音消息直接下载到内存，并结合faster-whisper库进行高效转录，我们成功地构建了一个无需磁盘I/O的实时语音转文本机器人。这种方法不仅提高了处理速度，减少了系统资源占用，还简化了文件管理流程，为构建高性能的Aiogram应用提供了可靠的解决方案。开发者可以根据具体需求，进一步优化模型选择和错误处理，以满足生产环境的要求。

以上就是在Aiogram中实现Telegram语音消息的实时Whisper转录的详细内容，更多请关注其它相关文章！

# 处理器 # 临沂单页seo优化 # 济宁公司网站建设的释义 # 广州快速seo多少钱 # 益阳网站建设素材 # 天津管理网站推广 # 数据处理 # 英文 # 这是一个 # 将其 # 首次 # 你可以 # 用户发送 # 创建一个 # 设置为 # 转录 # asic # 内存占用 # openai # ai # python # seo运营书集 # 正规seo推广品牌公司 # 小按摩店如何推广营销 # 门头沟网站优化排名推广 # 动态网站建设推广策略