中文 | English

一个功能丰富的网页应用,旨在为 Qwen、豆包、Gemini、NVIDIA NIM 以及 OpenAI、Groq、Deepgram、AssemblyAI、ElevenLabs、Mistral、Fireworks 等主流 ASR / 多模态语音模型提供一个强大、高效且用户友好的操作界面。无论您是需要转录会议记录、整理语音内容,还是进行任何形式的语音转文本工作,本工具都能为您提供流畅的体验。

➡️ 访问在线应用(历史部署域名)

• 多种音频输入方式:

  • 文件上传: 支持拖拽或点击选择多种常见音频格式(WAV, MP3, FLAC, M4A 等)。
  • 批量队列: 可一次选择多个音频,逐个识别并显示每个文件的处理状态。
  • 实时录音: 直接从麦克风录制音频,并带有实时音波可视化效果。
  • 远程 URL: 豆包录音文件识别标准版 2.0 支持公网音频 URL;其他 Provider 会提示改用本地文件。

• 高效的转录核心:

  • 多厂商 ASR 驱动: 支持 Qwen 官方 ASR API、豆包录音文件识别标准版 2.0、Gemini 音频理解接口、NVIDIA NIM,以及主流模型库(OpenAI GPT-4o/Whisper、Groq Whisper、Deepgram Nova-3、AssemblyAI Universal、ElevenLabs Scribe、Mistral Voxtral、Fireworks Whisper)。
  • 上下文提示: 可通过提供特定术语、人名或专业词汇作为上下文,显著提升识别的准确率。
  • 多语言支持: 支持中文、英语、日语等多种语言的识别,并能自动检测语种。
  • 反向文本标准化 (ITN): 可选功能,能将"一月五号"这样的口语化表达转换为"1月5日"等书面形式。

• 优化的用户体验:

  • 一键录音 (按住说话): 在非输入状态下,按住空格键即可开始录音,松开后自动停止并开始识别,操作如对讲机般便捷。
  • 音频预处理: 在浏览器内支持压缩、首尾静音裁剪、长音频切片与 Provider 兼容格式转换。
  • 音频检查: 内置波形预览、倍速播放、循环、静音、快进快退、剪辑保存与下载。

• 强大的工作流与生产力工具:

  • Benchmark 模型测试台: 支持导入 CSV / JSONL 题库 manifest,匹配本地音频或远程音频 URL,选择多个模型后一键运行"模型 ×ばつ 样本"矩阵评测。
  • 长期实验管理: Benchmark 每次完成后会保存到 IndexedDB,记录题库版本、模型配置、评分 profile、运行控制、结果矩阵、排行榜、错误热力图与数据集质量检查,并支持历史实验载入、删除和两次实验对比。
  • 公开题库目录与评分档: 内置 LibriSpeech、AISHELL-1、FLEURS、Common Voice、Earnings-22、AMI、CHiME manifest 模板和下载/许可信息;提供 OpenASR-compatible、中文 CER 优先、标点敏感、ITN 敏感、关键词/术语测试等评分 profile。
  • 标准化评测指标: Benchmark 结果包含 WER、CER、S/D/I 错误统计、延迟、RTF、成本估算、关键词召回、人名准确率、领域术语准确率、流式诊断、时间戳质量与说话人分离指标。
  • 排行榜与错误分析: 按模型聚合平均 WER/CER、P50/P95 延迟、失败率与成本,并按语言、domain、噪声、说话人、口音、标签、长短音频等题库维度拆分;提供错误热力图、bootstrap 显著性比较和模型能力雷达。
  • 鲁棒性与回归: 浏览器端可生成加噪、混响、变速、音量、压缩失真、电话带宽、背景音乐扰动样本;支持并发数、速率限制、失败重试、预算上限、暂停/恢复和本地定时回归计划。
  • 报告与人工复核: 支持一键导出 JSON / Markdown / HTML Benchmark 报告,并可在单条 diff 中保存人工修正 reference、错误类型和复核备注。
  • 可复现实验快照: 每条 Benchmark 结果记录 Provider 配置快照、模型版本、上下文、语言、ITN、预处理参数、音频 hash / 来源与缓存 key。
  • 可编辑转写结果: 支持文本/分段视图、搜索匹配、修改后回存历史记录。
  • 多格式导出: 单条结果可导出 TXT、Markdown、JSON、SRT、VTT;历史记录可导出 JSON 或 Markdown。
  • 历史记录: 自动保存每一次的转录结果,支持搜索、Provider/语言筛选、批量删除、批量导出、JSON 导入与恢复。
  • 智能缓存: 所有转录结果、历史记录和设置均存储在用户本地浏览器(IndexedDB)中,保护隐私的同时,也避免了对同一文件的重复识别,节约时间。
  • 自动复制: 可开启"自动复制"功能,在识别完成后立即将结果复制到剪贴板。

• 个性化设置:

  • 浅色/深色主题: 支持明暗两种主题,适应不同光线环境和个人偏好。
  • Provider 诊断: 设置页可检查当前 Provider 的凭据、输入限制与浏览器调用条件。
  • 本地数据管理: 可查看存储估算、清除识别缓存、清除最近录音、恢复默认设置。
  • 设置持久化: 所有个性化配置(如主题、自动复制、上下文等)都会被自动保存在本地。

• 前端框架: React + TypeScript
• UI 样式: Tailwind CSS
• ASR 接口: Qwen 官方 OpenAI 兼容接口(qwen3-asr-flash)、豆包录音文件识别标准版 2.0(bigmodel)、Gemini API(gemini-3.5-flash)、NVIDIA NIM(whisper-large-v3)、主流 ASR 模型库(OpenAI-compatible /audio/transcriptions + Deepgram / AssemblyAI / ElevenLabs 原生 REST API)
• 客户端技术:
  • Web Audio API: 用于音频录制、处理和可视化。
  • WaveSurfer.js: 用于音频波形预览、播放控制和片段剪辑。
  • IndexedDB: 用于在浏览器端持久化存储历史记录、缓存和用户设置。

如果您希望在本地运行或参与开发,请遵循以下步骤:

环境要求:

• Node.js (建议使用 v18 或更高版本)
• npm (随 Node.js 提供),或 pnpm/yarn

步骤:

1. 克隆仓库

   git clone https://github.com/yeahhe365/ASR-Studio.git
   cd ASR-Studio

2. 进入前端项目并安装依赖

   cd asr-studio
   npm install
   # 或者使用 pnpm/yarn
   # pnpm install

3. 启动开发服务器

   npm run dev
   # 或者使用 pnpm/yarn
   # pnpm dev

4. 在浏览器中打开 https://localhost:5173 (或命令行提示的地址)。

   开发服务器会监听 0.0.0.0:5173 并启用本地 HTTPS 证书。需要在同一局域网内用手机或其他电脑测试录音时,打开 https://本机IP:5173,首次访问按浏览器提示信任开发证书即可使用麦克风录音权限。

项目根目录已经提供 Dockerfile 与 docker-compose.yml,会先构建 Vite 前端产物,再用 Nginx 托管静态文件。

使用 Docker Compose:

docker compose up -d --build

启动后访问:

http://localhost:8081

直接使用 Docker:

docker build -t asr-studio .
docker run -d --name asr-studio -p 8081:80 asr-studio

容器内置健康检查:

GET /healthz

.
├── asr-studio/ # Vite + React 前端应用
│ ├── components/ # 可复用 React 组件与图标
│ ├── services/ # ASR、音频处理、IndexedDB 缓存服务
│ ├── App.tsx # 主应用组件
│ └── package.json # 前端依赖与脚本
├── deploy-compat/ # 部署兼容入口,镜像前端构建产物
├── Dockerfile # 多阶段 Docker 构建
├── docker-compose.yml # Docker Compose 部署入口
├── README.md # 中文说明
└── README.en.md # English documentation

应用直接调用已配置的 ASR 厂商 API,无需维护额外的示例后端服务。

• Qwen / Gemini: 使用浏览器内联音频请求,文件过大时请先压缩、裁剪或切片。
• 豆包标准版 2.0: 本地文件和录音会按 audio.data 提交;也可使用公网可访问的音频 URL。
• NVIDIA NIM: NVIDIA 托管 Whisper Large v3 是 gRPC/Riva 服务,浏览器不能直接调用;请填写自托管 NIM 容器或后端代理的 HTTP Base URL。
• 主流模型库: 在设置中选择具体模型并填写对应厂商 API Key;Base URL 留空使用官方端点,填写后可走兼容代理或自托管网关。远程 URL 当前支持豆包和 AssemblyAI,其他主流模型使用本地文件上传。

cd asr-studio
npm run typecheck
npm test
npm run build

我们非常欢迎各种形式的贡献!如果您有任何建议、发现 Bug 或希望添加新功能,请:

1. Fork 本仓库。
2. 创建一个新的分支 (git checkout -b feature/YourAmazingFeature)。
3. 提交您的更改 (git commit -m 'Add some AmazingFeature')。
4. 将您的分支推送到远程仓库 (git push origin feature/YourAmazingFeature)。
5. 提交一个 Pull Request。

本项目采用 MIT License 开源许可。

• 感谢阿里云通义千问团队、火山引擎与 Google Gemini 团队提供了出色的语音与多模态能力。
• 感谢 React 和所有开源社区的贡献者。

• Linux.do:也称 L 站,是一个活跃的中文技术社区,围绕 AI、软件开发、资源分享与前沿资讯展开讨论;社区愿景是"新的理想型社区",社区文化是"真诚、友善、团结、专业,共建你我引以为荣之社区"。