alphacep/kaldi-vosk-server

Vosk-Kaldi WebSocket语音识别服务器镜像

镜像概述

该镜像提供一个基于Kaldi语音识别工具包和Vosk库的WebSocket服务器，用于实时语音流的语音识别处理。通过WebSocket协议实现客户端与服务器的实时通信，支持音频流的实时传输与识别结果返回。项目详情可参考https://github.com/alphacep/vosk-server%E3%80%82

核心功能与特性

• 实时流处理：基于WebSocket协议，支持客户端实时音频流传输与识别结果返回
• 语音识别引擎：集成Kaldi和Vosk库，提供高效、准确的语音识别能力
• 多语言支持：提供多种语言版本，包括英文、中文、俄语、德语等（通过不同镜像标签区分）
• 特定音频格式：要求输入音频为8kHz采样率、16位位深、单声道PCM编码的WAV文件

使用场景

• 实时语音转文字应用系统
• 语音助手后端服务
• 实时字幕生成工具
• 语音控制设备的后端处理服务
• 会议实时记录与转录系统

使用方法与配置说明

启动服务器

英文语音识别服务器

bash
docker run -d -p 2700:2700 alphacep/kaldi-en:latest

其他语言版本

• 中文：alphacep/kaldi-cn:latest
• 俄语：alphacep/kaldi-ru:latest
• 德语：alphacep/kaldi-de:latest

启动命令格式（以中文为例）：

bash
docker run -d -p 2700:2700 alphacep/kaldi-cn:latest

测试与验证

1. 获取测试代码：从https://github.com/alphacep/vosk-server/blob/master/test.py%E4%B8%8B%E8%BD%BD%60test.py%60
2. 准备测试音频文件：需为8kHz 16bit 单声道PCM格式的WAV文件
3. 运行测试命令：

bash
./test.py test.wav

客户端样本

除Python外，其他编程语言的客户端样本可参考：https://github.com/alphacep/vosk-server/tree/master/client-samples

音频格式要求

• 采样率：8kHz
• 位深：16位
• 声道：单声道（Mono）
• 编码：PCM
• 格式：WAV

注意：非上述格式的音频文件需在发送到服务器前进行格式转换，否则可能导致识别失败或结果不准确。