LinTO-STT-Kaldi

镜像概述和主要用途

LinTO-STT-Kaldi 是一个基于 Kaldi 训练模型的自动语音识别（ASR）API。该镜像可作为独立转录服务部署，也可集成到微服务架构中（通过消息代理连接器），支持离线转录和实时转录两种模式。可通过 LinTO Studio 在浏览器中直接试用该服务。

核心功能和特性

• 多模型支持：兼容 LinTO 声学/语言模型及 Vosk 一体化模型
• 灵活部署模式：支持 HTTP 服务、消息队列任务处理、WebSocket 流式转录三种部署模式
• 元数据输出：可返回单词级时间戳、置信度等详细转录信息
• 标点恢复：集成 recasepunc 模型，支持文本标点和大小写恢复
• 健康检查与文档：内置健康检查接口及 Swagger/OpenAPI 文档界面
• 微服务适配：支持 RabbitMQ、Redis、Amazon SQS 等消息代理，通过共享文件夹处理大音频文件

使用场景和适用范围

• 独立语音转文本服务：适用于需要离线或实时语音转录的独立应用
• 微服务架构组件：作为微服务架构中的 ASR 模块，通过消息队列接收转录任务
• 实时流处理：通过 WebSocket 提供实时音频流转录（如语音通话、直播字幕）
• 离线转录任务：处理本地音频文件，生成带时间戳的文本记录（如会议录音、客服通话）
• 需要元数据的应用：支持生成包含单词时间戳和置信度的转录结果，适用于字幕生成、语音分析等场景

前提条件

硬件要求

• 磁盘空间：至少 7GB（用于构建 Docker 镜像）
• 内存：根据模型类型，最高需 7GB RAM
• CPU：每个工作进程需 1 个 CPU 核心（转录速度与 CPU 性能正相关）

模型准备

需将模型文件夹下载并解压至 Docker 容器可访问的目录。支持两种模型类型：

• LinTO 模型：需分别提供声学模型（AM）和语言模型（LM），可从 dl.linto.ai 获取（v2 版本）
• Vosk 模型：一体化模型，可从 alphacephei.com/vosk/models 获取

软件依赖

• Docker：需安装并运行 Docker 环境（推荐版本 19.03+）
• 微服务额外依赖（仅任务模式）：
  • 消息代理：支持 RabbitMQ、Redis 或 Amazon SQS
  • 共享文件夹：用于存储大音频文件（避免通过消息代理传输）

部署指南

1. 获取镜像

方式一：本地构建

git clone [***]
cd linto-stt
docker build . -f kaldi/Dockerfile -t linto-stt-kaldi:latest

方式二：从 Docker Hub 拉取

docker pull lintoai/linto-stt-kaldi

2. 下载模型

• LinTO 模型：将声学模型和语言模型分别存放于 AM_PATH 和 LM_PATH 目录
• Vosk 模型：将模型存放于 MODEL_PATH 目录

3. 配置环境变量

创建 .env 文件（可参考 kaldi/.envdefault），配置关键参数。核心参数说明见 配置参数说明 章节。

4. 部署模式

模式一：HTTP 服务模式

以 HTTP 接口提供转录服务，支持文件上传和流式转录。

启动命令：

docker run --rm \
  -p 8080:80 \  # 宿主端口:容器端口
  -v /path/to/am:/opt/AM \  # 声学模型挂载（LinTO模型）
  -v /path/to/lm:/opt/LM \  # 语言模型挂载（LinTO模型）
  # -v /path/to/vosk/model:/opt/model \  # Vosk模型挂载（替换上述两行）
  -v /path/to/recasepunc:/opt/PUNCT \  # 标点模型（可选）
  --env-file .env \
  linto-stt-kaldi:latest

docker-compose 示例：

version: '3'
services:
  linto-stt:
    image: linto-stt-kaldi:latest
    ports:
      - "8080:80"
    volumes:
      - /host/am:/opt/AM
      - /host/lm:/opt/LM
      - /host/recasepunc:/opt/PUNCT
    environment:
      - SERVICE_MODE=http
      - MODEL_TYPE=lin
      - ENABLE_STREAMING=true
      - CONCURRENCY=4
      - PUNCTUATION_MODEL=/opt/PUNCT
    restart: unless-stopped

模式二：任务队列模式（微服务）

通过消息代理接收转录任务，适用于微服务架构。

启动命令：

docker run --rm \
  -v /path/to/am:/opt/AM \
  -v /path/to/lm:/opt/LM \
  -v /path/to/shared/audio:/opt/audio \  # 共享音频文件夹
  --env-file .env \
  linto-stt-kaldi:latest

模式三：WebSocket 流式模式

专用流式转录服务，仅提供 WebSocket 接口。

启动命令：

docker run --rm \
  -p 8080:80 \
  -v /path/to/model:/opt/model \  # 模型挂载（LinTO或Vosk）
  -v /path/to/recasepunc:/opt/PUNCT \  # 标点模型（可选）
  --env SERVICE_MODE=websocket \
  --env MODEL_TYPE=vosk \
  --env STREAMING_PORT=80 \
  linto-stt-kaldi:latest

配置参数说明

使用方法

HTTP API 接口

健康检查：/healthcheck

• 方法：GET
• 响应：text/plain，返回 1 表示服务正常

文本转录：/transcribe

• 方法：POST
• 请求头：Content-Type: multipart/form-data
• 请求体：file（16bit 16KHz WAV 音频文件）
• 响应格式：
  • text/plain：纯文本转录结果
  • application/json：带元数据的 JSON，格式如下：

    {
      "text": "这是转录文本",
      "words": [
        {"word": "这是", "start": 0.123, "end": 0.456, "conf": 0.92},
        {"word": "转录文本", "start": 0.500, "end": 0.890, "conf": 0.88}
      ],
      "confidence-score": 0.90
    }
    

流式转录：/streaming（需 ENABLE_STREAMING=true）

• 接口：WebSocket
• 交互流程：
  1. 客户端发送配置：{"config": {"sample_rate": 16000, "language": "zh"}}（language 可选）
  2. 客户端发送音频片段（二进制）或结束信号 {"eof": 1}
  3. 服务端返回中间结果 {"partial": "这是中间"} 或最终结果 {"text": "这是最终转录文本"}
  4. 重复步骤 2-3，直至客户端发送 eof
  5. 服务端返回最终结果并关闭连接
• 超时机制：10秒无数据传输时自动断开连接

接口文档：/docs

• 访问方式：HTTP GET
• 功能：Swagger/OpenAPI 交互式文档，可直接测试 API

消息代理接口（任务模式）

请求参数

任务队列接收的请求需包含以下参数：

• file_path：共享文件夹内的音频文件路径（完整路径为 /opt/audio/{file_path}）
• with_metadata：是否返回元数据（时间戳、置信度），true/false

响应格式

成功转录后返回 JSON：

{
  "text": "这是转录文本",
  "words": [
    {"word": "这是", "start": 0.123, "end": 0.456, "conf": 0.92},
    ...
  ],
  "confidence-score": 0.90
}

测试

HTTP API 测试（curl）

# 测试转录接口（返回 JSON）
curl -X POST "http://localhost:8080/transcribe" \
  -H "accept: application/json" \
  -H "Content-Type: multipart/form-data" \
  -F "file=@test_audio.wav;type=audio/x-wav"

# 测试健康检查
curl "http://localhost:8080/healthcheck"  # 返回 "1"

许可证

本项目基于 AGPLv3 许可证开发（详见 LICENSE 文件）。

致谢

• Vosk 语音识别工具包
• Kaldi 语音识别工具包