Whisper ASR API Server

语音转写 API 服务，基于 OpenAI Whisper large-v3-turbo，支持说话人分离。

功能

• ✅ Whisper large-v3-turbo 转写
• ✅ 说话人分离 (pyannote-audio)
• ✅ 多格式支持 (mp3, wav, m4a, mp4, flac, ogg, webm, wma, aac)
• ✅ Token 认证
• ✅ URL 转写（支持 Google Drive）

环境变量

变量	必须	说明
API_TOKEN	✅	API 认证 Token
HF_TOKEN	❌	HuggingFace Token（启用说话人分离需要）
WHISPER_MODEL	❌	Whisper 模型，默认 large-v3-turbo
PORT	❌	服务端口，默认 8000

获取 HuggingFace Token

1. 注册 HuggingFace
2. 同意 pyannote/speaker-diarization-3.1 的使用协议
3. 同意 pyannote/segmentation-3.0 的使用协议
4. 在 Settings > Access Tokens 创建 Token

API 端点

GET /health

健康检查

{
  "status": "healthy",
  "model": "large-v3-turbo",
  "diarization": "available"
}

POST /transcribe

转写上传的音频文件

Headers:

• Authorization: Bearer <your_token>

Query:

• language: 语言代码，如 zh, en, ja（默认 zh）
• diarize: 是否启用说话人分离（默认 false）

Body:

• file: 音频文件

Response:

{
  "success": true,
  "text": "完整转写文本",
  "segments": [
    {
      "start": 0.0,
      "end": 2.5,
      "text": "你好",
      "speaker": "SPEAKER_00"
    }
  ],
  "speakers": ["SPEAKER_00", "SPEAKER_01"],
  "language": "zh"
}

POST /transcribe/url

从 URL 转写音频（支持 Google Drive）

Docker 部署

docker build -t whisper-api .
docker run -d \
  -p 8000:8000 \
  -e API_TOKEN=your_token \
  -e HF_TOKEN=your_hf_token \
  -v whisper-models:/data/models \
  whisper-api

示例

# 基础转写
curl -X POST http://localhost:8000/transcribe \
  -H "Authorization: Bearer your_token" \
  -F "file=@audio.mp3" \
  -F "language=zh"

# 带说话人分离
curl -X POST "http://localhost:8000/transcribe?diarize=true" \
  -H "Authorization: Bearer your_token" \
  -F "file=@meeting.mp3" \
  -F "language=zh"