語音文字互轉實戰

<span className="text-accent">前情提要</span>

之前想驗證聽日文廣播時，主播們到底說了些什麼，於是浮出了，不如把他們說的話錄下來，這樣可以反覆聽，然後如果可以再把語音轉出文字交叉比對，這樣對日文聽力的練習也有進步，因此為契機，火速召喚出　Claude code，跟他說需求，並且是要在 mac apple silicon系統下運行，初期一直抓不到系統聲音，幫他debug了一下，大概一個多小時搞定。

UI如下：

雖然有點土砲，不過只是個人單機使用，所以就沒差了，重點目標就是要錄下系統發出的聲音。雖然app store上也有軟體可以使用，不過大部分都要付費，而且我每個月都已經花200美金訂閱Claude code了，不好好的善用，怎麼可以了，你說對吧？ XDD

可以錄音了之後，就是開始來研究怎麼轉文字，當然最無腦的就是直接串 API，聲音檔丟過去，叫他丟文字回來這雖然不錯，不過如果可以，還是本地端自己架 AI model，聲音進，文字出這樣的效果最好，一來也可以順便學習怎麼本地端如何把語音轉文字。

問了一下藍姬，發現倒也不難，只要把openai的whisper 模型抓下來，然後錄音格式轉檔之後餵給本地端模型，就可以得出十分不錯的結果。

結果如下：

<Gallery images={[ { src: "https://kazami.me/storage/posts/2025-10-14/zh-tw/1760426199326-3362f3b5-3701-476a-b4d6-35231f25538f.png", alt: "2025-10-14-zh-TW-gallery-1" }, { src: "https://kazami.me/storage/posts/2025-10-14/zh-tw/1760426200251-98a50058-000b-447f-b1a7-1578ce4659ea.png", alt: "2025-10-14-zh-TW-gallery-2" } ]} />

自己寫了個腳本，本錄音檔案自動轉檔之後餵給model，叫model輸出到指定路徑。 輸出可以有三種檔案格式，純文字，src跟vtt。

<Gallery images={[ { src: "https://kazami.me/storage/posts/2025-10-14/zh-tw/1760426394570-be30cafe-1426-49a9-9011-42baf61eaac5.png", alt: "2025-10-14-zh-TW-gallery-1" }, { src: "https://kazami.me/storage/posts/2025-10-14/zh-tw/1760426395299-c36e6792-6437-4fbf-b540-4bb18cf3170c.png", alt: "2025-10-14-zh-TW-gallery-2" }, { src: "https://kazami.me/storage/posts/2025-10-14/zh-tw/1760426395873-ef1808cd-c7ad-4a86-b5df-c5cc05bc97f9.png", alt: "2025-10-14-zh-TW-gallery-3" } ]} />

之前hisohiso開發的語音post，就是用到了vtt檔案格式，實現了語音訊息文字跟聲音同步出來的效果。

其實這個東西兩個月前就做出來了，前幾天我才在想，那反過來呢？文字怎麼轉語音？後來去研究了一下，當然最無腦的還是使用AI api，但是還是本地端自己來最對味啊！！！而且，對了應對我這個blog有支援三國語系，所以聲音檔當然也要讓他輸出 繁體中文 英文 跟日文的聲音檔！！

因為這個靈機一動的想法，

<span className="text-[1.35rem] font-semibold leading-[1.65]"><span className="text-sky-500">本blog從這篇 post開始支援聲音閱讀模式</span></span>

！我打好的文章他會自動幫我生成三語言聲音檔，請各位觀眾選擇自己的喜好，自行選擇吧。

透過本次的研究，我掌握到了語音轉文字 文字轉語音的技術。

<span className="text-rose-500">這些東西就像是一個點一個點各自散落在廣闊的空間中，但我相信總有一天這些點總就會連成許多條線甚至直接成為一個面。繼續加油。</span>