Whisper、React 和 Node 构建语音转文本 Web 应用程序

在本文中，我们将使用 OpenAI 的 Whisper 以及 React、Node.js 和 FFmpeg 构建一个语音转文本应用程序。该应用程序将获取用户输入，使用 OpenAI 的 Whisper API 将其合成为语音，并输出结果文本。Whisper 提供了我用过的最准确的语音到文本转录，即使对于非英语母语人士也是如此。

介绍

OpenAI解释说，Whisper 是一种自动语音识别 (ASR) 系统，经过 680,000 小时从网络收集的多语言和多任务监督数据的训练。

文本比音频更容易搜索和存储。然而，将音频转录为文本可能非常费力。像 Whisper 这样的 ASR 可以检测语音，并非常快速地将音频转录为文本，非常准确，这使其成为一种特别有用的工具。

先决条件

本文面向熟悉 JavaScript 并且对 React 和 Express 有基本了解的开发人员。

如果您想一起构建，则需要 API 密钥。您可以通过在 OpenAI 平台上注册帐户来获取。获得 API 密钥后，请确保其安全并且不要公开共享。

技术堆栈

我们将使用 Create React App (CRA) 构建此应用程序的前端。我们在前端要做的就是上传文件、选择时间边界、发出网络请求和管理一些状态。为了简单起见，我选择了 CRA。随意使用您喜欢的任何前端库，甚至是普通的旧 JS。代码应该大部分是可转移的。

对于后端，我们将使用 Node.js 和 Express，这样我们就可以坚持使用此应用程序的完整 JS 堆栈。您可以使用 Fastify 或任何其他替代方案来代替 Express，并且您仍然应该能够遵循。

注意：为了使本文重点关注主题，将链接到长代码块，以便我们可以专注于手头的实际任务。

设置项目

我们首先创建一个新文件夹，其中包含用于组织目的的项目的前端和后端。请随意选择您喜欢的任何其他结构：

mkdir speech-to-text-app
cd speech-to-text-app

接下来，我们使用以下命令初始化一个新的 React 应用程序create-react-app：

npx create-react-app frontend

导航到新frontend文件夹并安装以使用以下代码axios发出网络请求和文件上传：react-dropzone

cd frontend
npm install axios react-dropzone react-select react-toastify

现在，让我们切换回主文件夹并创建backend文件夹：

cd ..
mkdir backend
cd backend

接下来，我们在backend目录中初始化一个新的 Node 应用程序，同时安装所需的库：

npm init -y
npm install express dotenv cors multer form-data axios fluent-ffmpeg ffmetadata ffmpeg-static
npm install --save-dev nodemon

在上面的代码中，我们安装了以下库：

另外，由于我们将使用 FFmpeg 进行音频修剪，因此我们有这些库：

Node.js 应用程序的入口文件是index.js. 在文件夹内创建文件backend并在代码编辑器中打开它。让我们连接一个基本的 Express 服务器：

const express = require('express');
const cors = require('cors');
const app = express();

app.use(cors());
app.use(express.json());

app.get('/', (req, res) => {
  res.send('Welcome to the Speech-to-Text API!');
});

const PORT = process.env.PORT || 3001;
app.listen(PORT, () => {
  console.log(`Server is running on port ${PORT}`);
});

更新package.json文件夹backend以包含启动和开发脚本：

"scripts": {
  "start": "node index.js",
  "dev": "nodemon index.js",
}

上面的代码只是注册了一个简单的GET路由。当我们运行npm run dev并前往localhost:3001或无论我们的端口是什么时，我们应该看到欢迎文本。

整合耳语

现在是时候添加秘制酱汁了！在本节中，我们将：

现在让我们.env在文件夹的根目录创建一个文件backend来存储我们的 API 密钥，并记住将其添加到gitignore：

OPENAI_API_KEY=YOUR_API_KEY_HERE

首先，让我们导入一些更新文件上传、网络请求和流媒体所需的库：

const  multer  =  require('multer')
const  FormData  =  require('form-data');
const { Readable } =  require('stream');
const  axios  =  require('axios');

const  upload  =  multer();

接下来，我们将创建一个简单的实用程序函数，将文件缓冲区转换为可读流，并将其发送到 Whisper：

const  bufferToStream  = (buffer) => {
  return  Readable.from(buffer);
}

我们将创建一个新路由 ，/api/transcribe并使用 axios 向 OpenAI 发出请求。

首先，axios在文件顶部导入app.js：const axios = require('axios');.

然后，创建新路线，如下所示：

app.post('/api/transcribe', upload.single('file'), async (req, res) => {
  try {
    const  audioFile  = req.file;
    if (!audioFile) {
      return res.status(400).json({ error: 'No audio file provided' });
    }
    const  formData  =  new  FormData();
    const  audioStream  =  bufferToStream(audioFile.buffer);
    formData.append('file', audioStream, { filename: 'audio.mp3', contentType: audioFile.mimetype });
    formData.append('model', 'whisper-1');
    formData.append('response_format', 'json');
    const  config  = {
      headers: {
        "Content-Type": `multipart/form-data; boundary=${formData._boundary}`,
        "Authorization": `Bearer ${process.env.OPENAI_API_KEY}`,
      },
    };
    // Call the OpenAI Whisper API to transcribe the audio
    const  response  =  await axios.post('https://api.openai.com/v1/audio/transcriptions', formData, config);
    const  transcription  = response.data.text;
    res.json({ transcription });
  } catch (error) {
    res.status(500).json({ error: 'Error transcribing audio' });
  }
});

在上面的代码中，我们使用实用程序函数bufferToStream将音频文件缓冲区转换为可读流，然后通过网络请求将其发送到 Whisper 和await响应，然后将响应作为响应发回JSON。

您可以查看文档以了解有关 Whisper 请求和响应的更多信息。

安装 FFmpeg

我们将在下面添加附加功能，以允许用户转录部分音频。为此，我们的 API 端点将接受startTime和endTime，之后我们将使用 修剪音频ffmpeg。

安装适用于 Windows 的 FFmpeg

要安装 Windows 版 FFmpeg，请按照以下简单步骤操作：

为 macOS 安装 FFmpeg

如果我们在 macOS 上，我们可以使用 Homebrew 安装 FFmpeg：

brew install ffmpeg

为 Linux 安装 FFmpeg

如果我们在 Linux 上，我们可以使用apt、dnf或来安装 FFmpeg pacman，具体取决于我们的 Linux 发行版。这是安装命令apt：

sudo apt update
sudo apt install ffmpeg

修剪代码中的音频

为什么我们需要修剪音频？假设用户有一个长达一小时的音频文件，并且只想从 15 分钟标记转录到 45 分钟标记。使用 FFmpeg，我们可以修剪到精确的startTime和endTime，然后将修剪后的流发送到 Whisper 进行转录。

首先，我们将导入以下库：

const ffmpeg = require('fluent-ffmpeg');
const ffmpegPath = require('ffmpeg-static');
const ffmetadata = require('ffmetadata');
const fs  =  require('fs');

ffmpeg.setFfmpegPath(ffmpegPath);

接下来，让我们创建一个实用函数，将传递的时间转换为mm:ss秒。这可以在我们的app.post路线之外，就像bufferToStream函数一样：

/**
 * Convert time string of the format 'mm:ss' into seconds.
 * @param {string} timeString - Time string in the format 'mm:ss'.
 * @return {number} - The time in seconds.
 */
const parseTimeStringToSeconds = timeString => {
    const [minutes, seconds] = timeString.split(':').map(tm => parseInt(tm));
    return minutes * 60 + seconds;
}

接下来，我们应该更新我们的app.post路线以执行以下操作：

该trimAudio函数在指定的开始时间和结束时间之间修剪音频流，并返回一个使用修剪后的音频数据进行解析的承诺。如果在此过程中的任何一点发生错误，则 Promise 将因该错误而被拒绝。

让我们逐步分解该功能。

定义修剪音频功能。该trimAudio函数是异步的，接受audioStream和endTime作为参数。我们定义用于处理音频的临时文件名：

const trimAudio = async (audioStream, endTime) => {
    const tempFileName = `temp-${Date.now()}.mp3`;
    const outputFileName = `output-${Date.now()}.mp3`;

将流写入临时文件。我们使用 将传入的音频流写入临时文件fs.createWriteStream()。如果出现错误，则会Promise被拒绝：

return new Promise((resolve, reject) => {
    audioStream.pipe(fs.createWriteStream(tempFileName))

读取元数据并设置 endTime。音频流完成写入临时文件后，我们使用 读取文件的元数据ffmetadata.read()。如果提供的时间endTime长于音频持续时间，我们将调整endTime为音频的持续时间：

.on('finish', () => {
    ffmetadata.read(tempFileName, (err, metadata) => {
        if (err) reject(err);
        const duration = parseFloat(metadata.duration);
        if (endTime > duration) endTime = duration;

使用 FFmpeg 修剪音频。我们利用 FFmpeg 根据startSeconds接收到的开始时间 () 和timeDuration之前计算的持续时间 () 来修剪音频。修剪后的音频将写入输出文件：

ffmpeg(tempFileName)
    .setStartTime(startSeconds)
    .setDuration(timeDuration)
    .output(outputFileName)

删除临时文件并解决承诺。修剪音频后，我们删除临时文件并将修剪后的音频读入缓冲区。将输出文件读取到缓冲区后，我们还使用 Node.js 文件系统将其删除。如果一切顺利，问题Promise就会得到解决trimmedAudioBuffer。如果出现错误，则会Promise被拒绝：

.on('end', () => {
    fs.unlink(tempFileName, (err) => {
        if (err) console.error('Error deleting temp file:', err);
    });const trimmedAudioBuffer = fs.readFileSync(outputFileName);
fs.unlink(outputFileName, (err) => {
    if (err) console.error('Error deleting output file:', err);
});

resolve(trimmedAudioBuffer);

})
.on('error', reject)
.run();

端点的完整代码可在此GitHub 存储库中找到。

前端

样式将使用 Tailwind 完成，但我不会介绍如何设置 Tailwind。您可以在此处阅读有关如何设置和使用 Tailwind 的信息。

创建 TimePicker 组件

由于我们的 API 接受startTime和endTime，所以让我们使用TimePicker来创建一个组件react-select。
使用react-select只是将其他功能添加到选择菜单中，例如搜索选项，但这对本文并不重要，可以跳过。

让我们分解一下TimePicker下面的 React 组件：

进口和组件申报。首先，我们导入必要的包并声明我们的TimePicker组件。该TimePicker组件接受 props id、label、value、onChange和maxDuration：

import React, { useState, useEffect, useCallback } from 'react';
import Select from 'react-select';

const TimePicker = ({ id, label, value, onChange, maxDuration }) => {

解析valueprop。该valueprop 预计是一个时间字符串（格式HH:MM:SS）。这里我们将时间分为小时、分钟和秒：

const [hours, minutes, seconds] = value.split(':').map((v) => parseInt(v, 10));

计算最大值。maxDuration是根据音频持续时间可以选择的最大时间（以秒为单位）。它被转换为小时、分钟和秒：

const validMaxDuration = maxDuration === Infinity ? 0 : maxDuration
const maxHours = Math.floor(validMaxDuration / 3600);
const maxMinutes = Math.floor((validMaxDuration % 3600) / 60);
const maxSeconds = Math.floor(validMaxDuration % 60);

时间选项选择。我们为可能的小时、分钟和秒选项创建数组，并创建状态挂钩来管理分钟和秒选项：

const hoursOptions = Array.from({ length: Math.max(0, maxHours) + 1 }, (_, i) => i);
const minutesSecondsOptions = Array.from({ length: 60 }, (_, i) => i);

const [minuteOptions, setMinuteOptions] = useState(minutesSecondsOptions);
const [secondOptions, setSecondOptions] = useState(minutesSecondsOptions);

更新值函数。onChange该函数通过调用作为 prop 传入的函数来更新当前值：

const updateValue = (newHours, newMinutes, newSeconds) => {
    onChange(`${String(newHours).padStart(2, '0')}:${String(newMinutes).padStart(2, '0')}:${String(newSeconds).padStart(2, '0')}`);
};

更新分秒选项功能。此功能根据所选的小时和分钟更新分钟和秒选项：

const updateMinuteAndSecondOptions = useCallback((newHours, newMinutes) => {
    const minutesSecondsOptions = Array.from({ length: 60 }, (_, i) => i);
        let newMinuteOptions = minutesSecondsOptions;
        let newSecondOptions = minutesSecondsOptions;
        if (newHours === maxHours) {
            newMinuteOptions = Array.from({ length: Math.max(0, maxMinutes) + 1 }, (_, i) => i);
            if (newMinutes === maxMinutes) {
                newSecondOptions = Array.from({ length: Math.max(0, maxSeconds) + 1 }, (_, i) => i);
            }
        }
        setMinuteOptions(newMinuteOptions);
        setSecondOptions(newSecondOptions);
}, [maxHours, maxMinutes, maxSeconds]);

效果挂钩。这会调用updateMinuteAndSecondOptions何时hours或minutes更改：

useEffect(() => {
    updateMinuteAndSecondOptions(hours, minutes);
}, [hours, minutes, updateMinuteAndSecondOptions]);

辅助功能。这两个辅助函数将时间整数转换为选择选项，反之亦然：

const toOption = (value) => ({
    value: value,
    label: String(value).padStart(2, '0'),
});
const fromOption = (option) => option.value;

渲染。该render函数显示时间选择器，它由库管理的三个下拉菜单（小时、分钟、秒）组成react-select。更改选择框中的值将调用updateValue和updateMinuteAndSecondOptions，这已在上面进行了解释。

您可以在GitHub上找到 TimePicker 组件的完整源代码。

主要成分

现在让我们通过替换 来构建主要的前端组件App.js。

应用程序组件将实现具有以下功能的转录页面：

让我们将该组件分解为几个较小的部分：

导入和辅助函数。导入必要的模块并定义时间转换的辅助函数：

import React, { useState, useCallback } from 'react';
import { useDropzone } from 'react-dropzone'; // for file upload
import axios from 'axios'; // to make network request
import TimePicker from './TimePicker'; // our custom TimePicker
import { toast, ToastContainer } from 'react-toastify'; // for toast notification

// Helper functions (timeToSeconds, secondsToTime, timeToMinutesAndSeconds)

组件声明和状态挂钩。声明TranscriptionPage组件并初始化状态挂钩：

const TranscriptionPage = () => {
  const [uploading, setUploading] = useState(false);
  const [transcription, setTranscription] = useState('');
  const [audioFile, setAudioFile] = useState(null);
  const [startTime, setStartTime] = useState('00:00:00');
  const [endTime, setEndTime] = useState('00:10:00'); // 10 minutes default endtime
  const [audioDuration, setAudioDuration] = useState(null);
  // ...

事件处理程序。定义各种事件处理程序 - 用于处理开始时间更改、获取音频持续时间、处理文件删除和转录音频：

const handleStartTimeChange = (newStartTime) => {
  //...
};

const getAudioDuration = (file) => {
  //...
};

const onDrop = useCallback((acceptedFiles) => {
  //...
}, []);

const transcribeAudio = async () => { // we'll explain this in detail shortly
  //...
};

使用 Dropzone 挂钩。使用库useDropzone中的钩子react-dropzone来处理文件丢失：

const { getRootProps, getInputProps, isDragActive, isDragReject } = useDropzone({
  onDrop,
  accept: 'audio/*',
});

渲染。最后，渲染组件。这包括用于文件上传的拖放区、TimePicker用于设置开始和结束时间的组件、用于启动转录过程的按钮以及用于显示转录结果的显示。

该transcribeAudio函数是一个异步函数，负责将音频文件发送到服务器进行转录。让我们来分解一下：

const transcribeAudio = async () => {
    setUploading(true);

    try {
      const formData = new FormData();
      audioFile && formData.append('file', audioFile);
      formData.append('startTime', timeToMinutesAndSeconds(startTime));
      formData.append('endTime', timeToMinutesAndSeconds(endTime));

      const response = await axios.post(`http://localhost:3001/api/transcribe`, formData, {
        headers: { 'Content-Type': 'multipart/form-data' },
      });

      setTranscription(response.data.transcription);
      toast.success('Transcription successful.')
    } catch (error) {
      toast.error('An error occurred during transcription.');
    } finally {
      setUploading(false);
    }
  };

下面是更详细的介绍：

本质上，该transcribeAudio函数负责协调整个转录过程，包括处理表单数据、发出服务器请求和处理服务器响应。

您可以在GitHub上找到 App 组件的完整源代码。

结论

我们已经到了最后，现在有了一个完整的 Web 应用程序，可以利用 Whisper 的强大功能将语音转录为文本。

我们绝对可以添加更多功能，但我会让您自己构建其余的功能。希望我们已经为您提供了一个良好的开端。

这是完整的源代码：