Paraformer-large如何导出结果？TXT/SRT格式生成实战教程
1. 教程目标与适用人群
你是否已经用上了Paraformer-large这个强大的离线语音识别工具，却还在为“识别完只能看不能存”而烦恼？
你是不是也希望把识别结果自动保存成TXT文本或SRT字幕文件，方便后续编辑、归档或嵌入视频？
本教程将手把手带你改造默认的Gradio界面脚本，在原有语音转写功能基础上，增加结果导出能力，实现：
- 自动将识别结果保存为
.txt文件 - 按时间戳生成标准
.srt字幕文件（适用于视频剪辑） - 用户可一键下载结果文件
- 兼容长音频切片处理机制
无需深度学习背景，只要你会复制代码、会运行Python脚本，就能搞定。适合科研、 transcription 工作者、自媒体创作者、会议记录整理者等所有需要“语音变文字”的用户。
2. 原始功能回顾：Paraformer-large + Gradio基础版
我们使用的镜像是基于阿里达摩院开源的FunASR框架，预装了paraformer-large-vad-punc模型，支持：
- 长音频自动分段（VAD）
- 标点恢复（Punc）
- 中英文混合识别
- Web可视化界面（Gradio）
默认脚本app.py提供了一个简洁的上传→识别→显示流程，但缺少文件导出功能。这正是我们要补全的关键一环。
3. 功能升级：添加TXT与SRT导出能力
我们将对原始app.py进行扩展，新增以下核心功能模块：
3.1 新增输出路径管理
首先定义一个安全的结果存储目录，并确保每次运行都能访问：
import os from datetime import datetime # 创建结果保存目录 OUTPUT_DIR = "./asr_results" os.makedirs(OUTPUT_DIR, exist_ok=True)这样所有生成的文件都会集中放在./asr_results目录下，便于管理和清理。
3.2 实现TXT文本导出
最简单的导出方式就是把纯文本内容写入.txt文件：
def save_as_txt(text, audio_filename): # 构造输出文件名 base_name = os.path.splitext(os.path.basename(audio_filename))[0] txt_path = os.path.join(OUTPUT_DIR, f"{base_name}_result.txt") with open(txt_path, "w", encoding="utf-8") as f: f.write(text) return txt_path调用时只需传入识别结果和原音频文件名即可。
3.3 实现SRT字幕文件生成
SRT是视频字幕的标准格式，包含序号、时间戳和文本三部分。我们需要从模型返回的结果中提取时间信息。
注意：
Paraformer-large-vad-punc模型在启用batch_size_s参数时，默认不会返回详细时间戳。要获取时间信息，必须开启output_timestamp=True。
修改推理参数如下：
res = model.generate( input=audio_path, batch_size_s=300, output_timestamp=True # 关键！开启时间戳输出 )然后解析时间戳并生成SRT内容：
def generate_srt(res_list): srt_lines = [] for i, seg in enumerate(res_list): if 'start' not in seg or 'end' not in seg: continue start_time = format_timestamp_srt(seg['start']) end_time = format_timestamp_srt(seg['end']) text = seg['text'].strip() srt_lines.append(f"{i+1}") srt_lines.append(f"{start_time} --> {end_time}") srt_lines.append(f"{text}\n") return "\n".join(srt_lines) def format_timestamp_srt(seconds): """将秒数转换为SRT时间格式 HH:MM:SS,mmm""" hours = int(seconds // 3600) minutes = int((seconds % 3600) // 60) secs = seconds % 60 ms = int((secs - int(secs)) * 1000) secs = int(secs) return f"{hours:02d}:{minutes:02d}:{secs:02d},{ms:03d}"最后保存为.srt文件：
def save_as_srt(res_list, audio_filename): srt_content = generate_srt(res_list) base_name = os.path.splitext(os.path.basename(audio_filename))[0] srt_path = os.path.join(OUTPUT_DIR, f"{base_name}_subtitles.srt") with open(srt_path, "w", encoding="utf-8") as f: f.write(srt_content) return srt_path4. 改造Gradio界面：支持文件下载
现在我们将原来的单输出框升级为多组件输出，包括：
- 文本显示区
- TXT文件下载按钮
- SRT文件下载按钮
更新后的asr_process函数如下：
def asr_process(audio_path): if audio_path is None: return "请先上传音频文件", None, None # 推理识别（含时间戳） res = model.generate( input=audio_path, batch_size_s=300, output_timestamp=True ) if len(res) == 0: text = "识别失败，请检查音频格式" return text, None, None # 提取主文本 full_text = "".join([seg['text'] for seg in res]) if isinstance(res[0], dict) else res[0]['text'] # 保存TXT txt_path = save_as_txt(full_text, audio_path) # 保存SRT（仅当有时间戳时） if 'start' in res[0]: srt_path = save_as_srt(res, audio_path) else: # 若无时间戳，则创建空占位文件 base_name = os.path.splitext(os.path.basename(audio_path))[0] srt_path = os.path.join(OUTPUT_DIR, f"{base_name}_subtitles.srt") with open(srt_path, "w", encoding="utf-8") as f: f.write("字幕生成失败：未检测到时间戳信息。\n请确认模型支持并正确配置 output_timestamp=True。") return full_text, txt_path, srt_path接着在Gradio界面上添加两个可下载的文件组件：
with gr.Blocks(title="Paraformer 语音转文字控制台") as demo: gr.Markdown("# 🎤 Paraformer 离线语音识别转写") gr.Markdown("支持长音频上传，自动添加标点符号和端点检测，并导出TXT/SRT文件。") with gr.Row(): with gr.Column(): audio_input = gr.Audio(type="filepath", label="上传音频或直接录音") submit_btn = gr.Button("开始转写", variant="primary") with gr.Column(): text_output = gr.Textbox(label="识别结果", lines=10) gr.Markdown("### 下载结果") txt_output = gr.File(label="TXT文本下载") srt_output = gr.File(label="SRT字幕下载") submit_btn.click( fn=asr_process, inputs=audio_input, outputs=[text_output, txt_output, srt_output] ) demo.launch(server_name="0.0.0.0", server_port=6006)5. 完整增强版 app.py 脚本
以下是整合后的完整代码，可直接替换原app.py使用：
# app.py - 增强版：支持TXT/SRT导出 import gradio as gr from funasr import AutoModel import os from datetime import datetime # 初始化模型 model_id = "iic/speech_paraformer-large-vad-punc_asr_nat-zh-cn-16k-common-vocab8404-pytorch" model = AutoModel( model=model_id, model_revision="v2.0.4", device="cuda:0" ) # 结果输出目录 OUTPUT_DIR = "./asr_results" os.makedirs(OUTPUT_DIR, exist_ok=True) def format_timestamp_srt(seconds): hours = int(seconds // 3600) minutes = int((seconds % 3600) // 60) secs = seconds % 60 ms = int((secs - int(secs)) * 1000) secs = int(secs) return f"{hours:02d}:{minutes:02d}:{secs:02d},{ms:03d}" def generate_srt(res_list): srt_lines = [] for i, seg in enumerate(res_list): if 'start' not in seg or 'end' not in seg: continue start_time = format_timestamp_srt(seg['start']) end_time = format_timestamp_srt(seg['end']) text = seg['text'].strip() srt_lines.append(f"{i+1}") srt_lines.append(f"{start_time} --> {end_time}") srt_lines.append(f"{text}\n") return "\n".join(srt_lines) def save_as_txt(text, audio_filename): base_name = os.path.splitext(os.path.basename(audio_filename))[0] txt_path = os.path.join(OUTPUT_DIR, f"{base_name}_result.txt") with open(txt_path, "w", encoding="utf-8") as f: f.write(text) return txt_path def save_as_srt(res_list, audio_filename): srt_content = generate_srt(res_list) base_name = os.path.splitext(os.path.basename(audio_filename))[0] srt_path = os.path.join(OUTPUT_DIR, f"{base_name}_subtitles.srt") with open(srt_path, "w", encoding="utf-8") as f: f.write(srt_content) return srt_path def asr_process(audio_path): if audio_path is None: return "请先上传音频文件", None, None res = model.generate( input=audio_path, batch_size_s=300, output_timestamp=True ) if len(res) == 0: text = "识别失败，请检查音频格式" return text, None, None full_text = "".join([seg['text'] for seg in res]) if isinstance(res[0], dict) and 'text' in res[0] else res[0]['text'] txt_path = save_as_txt(full_text, audio_path) if isinstance(res[0], dict) and 'start' in res[0]: srt_path = save_as_srt(res, audio_path) else: base_name = os.path.splitext(os.path.basename(audio_path))[0] srt_path = os.path.join(OUTPUT_DIR, f"{base_name}_subtitles.srt") with open(srt_path, "w", encoding="utf-8") as f: f.write("警告：未获取到时间戳信息，无法生成准确字幕。\n建议检查模型配置是否启用 output_timestamp=True。") return full_text, txt_path, srt_path # 构建界面 with gr.Blocks(title="Paraformer 语音转文字控制台") as demo: gr.Markdown("# 🎤 Paraformer 离线语音识别转写") gr.Markdown("支持长音频上传，自动添加标点符号和端点检测，并导出TXT/SRT文件。") with gr.Row(): with gr.Column(): audio_input = gr.Audio(type="filepath", label="上传音频或直接录音") submit_btn = gr.Button("开始转写", variant="primary") with gr.Column(): text_output = gr.Textbox(label="识别结果", lines=10) gr.Markdown("### 下载结果") txt_output = gr.File(label="TXT文本下载") srt_output = gr.File(label="SRT字幕下载") submit_btn.click( fn=asr_process, inputs=audio_input, outputs=[text_output, txt_output, srt_output] ) # 启动服务 demo.launch(server_name="0.0.0.0", server_port=6006)6. 使用说明与常见问题
6.1 如何部署运行？
- 将上述完整脚本保存为
/root/workspace/app.py - 确保环境已激活：
source /opt/miniconda3/bin/activate torch25 - 安装依赖（如未预装）：
pip install funasr gradio - 启动服务：
cd /root/workspace && python app.py
6.2 如何访问Web界面？
使用SSH隧道映射端口：
ssh -L 6006:127.0.0.1:6006 -p [你的端口号] root@[你的实例IP]本地浏览器打开：http://127.0.0.1:6006
6.3 常见问题解答
| 问题 | 可能原因 | 解决方法 |
|---|---|---|
| SRT字幕时间错乱 | 模型未返回时间戳 | 确认output_timestamp=True已设置 |
| 文件无法下载 | 路径权限问题 | 检查asr_results目录是否存在且可写 |
| 中文乱码 | 编码未设为UTF-8 | 所有文件保存时指定encoding="utf-8" |
| 长音频卡顿 | 显存不足 | 降低batch_size_s（如改为150） |
7. 总结：让语音识别真正落地可用
通过本次实战改造，我们成功将一个“只能看”的语音识别Demo，升级为一个“能存能用”的实用工具。你现在可以：
一键上传音频
自动获得带标点的文本
下载.txt用于文档归档
下载.srt用于视频剪辑（如Premiere、剪映等）
这不仅提升了工作效率，也让Paraformer-large真正具备了生产级应用价值。
无论是整理讲座录音、制作课程字幕，还是处理访谈内容，这套方案都能帮你节省大量手动输入的时间。
获取更多AI镜像
想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。
