最近在看小众西语电影，但苦于没字幕，只能自己想办法弄实时语音识别。然而网上给出的很多相关代码，大部分是基于已有的wav文件或者麦克风外录的方式实现的。我这里就稍微改进了一下，可以在内录(英文资料说的的是loopback audio recording)的情况下进行语音转文字。这里最简单的思路是采用Vosk这个比较成熟的离线语音识别API，然后在.NET平台上，用NAudio库自带的WasapiLoopbackCapture进行内录，并在DataAvaliable事件处理代码块中，对采集到的音频数据字节流进行部分识别，最后输出完整识别出来的内容。

Vosk和NAudio这两个3rd模块需要通过nuget包管理器安装，然后语音识别用到的模型文件可以在VOSK Models上下载。一般情况下，每个语种至少有两个模型文件，其中一个带"small"的模型是精简版模型，用在低性能电脑、手机和嵌入式设备上跑比较好，不过识别准确率不太高:( ；还有一个普通的模型，大小在1GB以上的，这个识别准确率非常高，但是放在手机上跑不太合适。

 大家根据自己的需求下载对应语种、对应规模的语言模型包，然后解压到程序执行目录。

下面废话不多说，直接上代码：

using NAudio.Wave;
using System.Text;
using Vosk;

class SpeechToText
{

    static void Main()
    {
        Console.OutputEncoding = Encoding.UTF8;
        // Initialize Vosk API
        Model model = new Model("model-small-es");

        using (var waveIn = new WasapiLoopbackCapture())
        {
            waveIn.WaveFormat = new WaveFormat(44100, 1);

            var rec = new VoskRecognizer(model, waveIn.WaveFormat.SampleRate);
            rec.SetMaxAlternatives(0);
            rec.SetWords(true);

            waveIn.DataAvailable += (_, e) =>
            {

                if (rec.AcceptWaveform(e.Buffer, e.BytesRecorded))
                {
                    Console.WriteLine(rec.Result());
                }
                else
                {
                    Console.WriteLine(rec.PartialResult());
                }

            };
            waveIn.StartRecording();
            Console.WriteLine("Press ENTER to quit...");
            Console.ReadLine();
            waveIn.StopRecording();
        }
    }
}

代码逻辑很简单这里就不再赘述，不过有几点需要注意一下：

1. WaveFormat的参数设置问题：一定不能用双声道！Vosk似乎不怎么支持双声道数据的处理，我用这个参数的时候程序总是跑到一半就崩了。然后采样率，很多人给出的代码都配置的是16kHz，我觉得质量太低识别效果不好，尝试了一下改到44.1kHz，程序仍然能跑，而且识别准确率高了很多，但是再往上我就没试了，而且没必要。

2. MaxAlternatives这个参数是告诉vosk识别完成后给出多少种备选结果，我们只需要一种结果就行了，也就是不需要备选结果，这里设置为0即可。

3. SetWords这个函数是告诉vosk识别完成后是否需要显示每个单词出现和结束的时间(从录音起始开始算起)，这个对做滚动歌词和字幕的伙计们就非常有用了，如果大家觉得烦人可以把它设成false。

4. 如果你用的语言模型包和我的不一样，一定不要忘记修改上面代码中的模型路径！！！

我给出的是一个简单的控制台程序代码，主要在于简便，方便给大家复制并用到自己的项目中。程序启动后会一直运行，直到用户按下回车键才会退出。

效果：