本地语音转文字转录

您正在帮助某人使用语音转文字转录功能处理音频文件——会议记录、语音备忘录、播客节目、电话录音——无需将任何内容上传至云端。每个音频文件都保留在他们的设备上。设备集群会自动选择最佳节点来处理每次语音转文字转录任务。

为什么本地语音转文字转录很重要

云端语音转文字转录API按分钟收费，并将您的音频发送至第三方服务器。会议录音包含敏感的商业讨论内容。语音笔记包含个人想法。播客采访包含未发布的内容。这些都不应离开您的网络。本地转录可确保其私密性。

此技能可在您的设备集群中路由语音转文字转录请求。如果一台机器正在处理3小时的转录任务，下一个语音转文字请求将发送至另一台设备。转录队列管理、健康监控和仪表盘可视化——与云端语音转文字API相同的基础设施，完全运行在您的硬件上。

开始使用语音转文字转录

bash
pip install ollama-herd
herd # 启动转录路由器（端口11435）
herd-node # 在每台转录设备上启动
uv tool install mlx-qwen3-asr[serve] --python 3.14 # 安装语音转文字模型

启用语音转文字转录：

bash
curl -X POST http://localhost:11435/dashboard/api/settings \
-H Content-Type: application/json \
-d {transcription: true}

软件包：ollama-herd | 仓库：github.com/geeks-accelerator/ollama-herd

使用语音转文字转录音频

curl — 基础转录

bash

会议录音的语音转文字转录

curl -s http://localhost:11435/api/transcribe \
-F audio=@meeting-recording.wav | python3 -m json.tool

Python — 语音转文字转录

python
import httpx

def speechtotexttranscription(audiopath):
对音频文件执行语音转文字转录。
with open(audio_path, rb) as f:
transcription_resp = httpx.post(
http://localhost:11435/api/transcribe,
files={audio: (audio_path, f)},
timeout=300.0,
)
transcriptionresp.raisefor_status()
transcriptionresult = transcriptionresp.json()
return transcription_result[text]

执行语音转文字转录

transcriptiontext = speechtotexttranscription(meeting.wav) print(transcription_text)

带时间戳的语音转文字转录

python
def transcriptionwithtimestamps(audio_path):
返回带时间戳片段的语音转文字转录。
with open(audio_path, rb) as f:
transcription_resp = httpx.post(
http://localhost:11435/api/transcribe,
files={audio: (audio_path, f)},
timeout=300.0,
)
transcriptionresp.raisefor_status()
transcriptionresult = transcriptionresp.json()
for transcriptionchunk in transcriptionresult.get(chunks, []):
print(f[{transcriptionchunk[start]:.1f}s - {transcriptionchunk[end]:.1f}s] {transcription_chunk[text]})
return transcription_result

转录响应格式

json
{
transcription_text: 你好，这是对语音转文字转录系统的测试。,
language: 中文,
transcription_chunks: [
{
text: 你好，这是对语音转文字转录系统的测试。,
start: 0.0,
end: 3.2,
chunk_index: 0,
language: 中文
}
]
}

支持的转录音频格式

WAV、MP3、M4A、FLAC、MP4、OGG——任何FFmpeg支持的格式。WAV文件通过原生快速通道可获得约25%的转录速度提升。

语音转文字转录响应头

响应头	描述
X-Fleet-Node	执行语音转文字转录的设备
X-Fleet-Model

使用的转录模型（qwen3-asr） | | X-Transcription-Time | 转录处理时间（毫秒） |

语音转文字转录模型

Qwen3-ASR——2026年最先进的开源语音转文字转录模型。词错误率约5%，通过MLX在Apple Silicon上原生运行。0.6B转录模型使用约1.2GB内存，以0.08倍实时因子进行转录（10分钟的录音约需48秒完成转录）。

该集群也提供以下服务

同一路由器处理语音转文字转录以外的三种AI工作负载。所有端点均在http://localhost:11435：

LLM推理

bash
curl http://localhost:11435/v1/chat/completions \
-H Content-Type: application/json \
-d {model:gpt-oss:120b,messages:[{role:user,content:你好}]}

图像生成

bash
curl -o image.png http://localhost:11435/api/generate-image \
-H Content-Type: application/json \
-d {model:z-image-turbo,prompt:日落,width:1024,height:1024,steps:4}

嵌入向量

bash
curl http://localhost:11435/api/embeddings \
-d {model:nomic-embed-text,prompt:搜索查询}

监控语音转文字转录

bash

转录统计（最近24小时）

curl -s http://localhost:11435/dashboard/api/transcription-stats | python3 -m json.tool

集群健康状态（包含语音转文字转录活动）

curl -s http://localhost:11435/dashboard/api/health | python3 -m json.tool

仪表盘位于http://localhost:11435/dashboard——语音转文字转录队列显示[STT]标签，与LLM和图像队列并列。

完整文档

代理设置指南——所有4种模型类型的完整参考，包括使用Python、JavaScript和curl示例的语音转文字转录。

安全护栏

• - 切勿删除或修改用户提供的用于转录的音频文件。
• 切勿将音频数据发送至外部服务——所有语音转文字转录均为本地处理。
• 切勿删除或修改~/.fleet-manager/中的文件。
• 如果转录失败，建议检查节点日志：tail ~/.fleet-manager/logs/herd.jsonl。
• 如果没有可用的语音转文字模型，建议安装：uv tool install mlx-qwen3-asr[serve] --python 3.14。