Qwen3-ASR-1.7B实战案例播客节目自动生成章节摘要与关键词提取1. 引言从音频到结构化内容的挑战如果你是一个播客创作者或者经常需要处理大量的音频内容你肯定遇到过这样的烦恼一段长达一小时的播客节目想要快速了解核心内容或者为它生成一个清晰的章节大纲手动操作起来简直是一场噩梦。你需要反复听、记笔记、提炼要点整个过程耗时耗力。现在想象一下你只需要上传音频文件几分钟后就能得到一份完整的文字稿并且系统还能自动帮你把内容分成几个清晰的章节提取出每个章节的核心摘要和关键词。这听起来是不是很科幻但这就是我们今天要聊的Qwen3-ASR-1.7B模型能帮你实现的事情。Qwen3-ASR-1.7B不是一个简单的语音转文字工具。它是一个高精度的语音识别模型能听懂包括中文、英语、日语在内的30种通用语言甚至还能识别22种中文方言。更重要的是我们可以基于它识别出的文字进一步构建智能化的内容处理流程。本文将带你一步步实现一个完整的播客内容处理系统从音频上传到最终的结构化摘要输出全程自动化。2. 核心工具Qwen3-ASR-1.7B快速上手在开始我们的实战项目之前我们先花几分钟了解一下这个核心工具怎么用。不用担心整个过程非常简单完全在网页上操作不需要你懂任何复杂的命令行。2.1 访问与界面首先你需要访问Qwen3-ASR-1.7B的Web操作界面。地址通常是这样的格式https://gpu-{你的实例ID}-7860.web.gpu.csdn.net/。打开后你会看到一个干净简洁的页面主要就是一个文件上传区域和一些设置选项。2.2 三步完成语音转文字整个识别过程只需要三步上传音频点击上传按钮选择你的播客音频文件。它支持wav、mp3、flac、ogg这些常见格式所以你手机录的m4a文件可能需要先转成mp3。选择语言这里有个很智能的功能——自动语言检测。你通常不需要手动选择模型会自己判断音频里说的是什么语言。当然如果你明确知道是粤语播客也可以手动选“粤语”这样识别可能会更准一点。开始识别点击“开始识别”按钮然后喝杯咖啡等待一下。处理速度取决于你的音频长度和服务器性能。完成后页面会直接显示识别结果包括识别出的语言和完整的转写文本。一个小提示为了保证识别效果尽量上传清晰的音频。如果背景噪音很大或者几个人同时说话声音重叠识别准确率可能会下降。这是目前所有语音识别工具都面临的共同挑战。3. 实战构建播客内容自动化处理流水线仅仅把语音转成文字只是解决了第一步。我们的目标是获得结构化的、可直接使用的内容。下面我们来搭建一个完整的处理流水线。这个流水线的思路是ASR识别 - 文本预处理 - 章节分割 - 摘要与关键词提取。3.1 第一步调用ASR API获取文本虽然Web界面很方便但为了自动化我们需要通过代码来调用它。Qwen3-ASR-1.7B服务通常提供了一个API接口。下面是一个Python示例展示如何上传音频并获取识别文本。import requests import json import time def transcribe_audio(audio_file_path, asr_service_url): 调用ASR服务进行语音转写 :param audio_file_path: 本地音频文件路径 :param asr_service_url: ASR服务的API地址例如 http://your-server:7860/api/transcribe :return: 识别后的文本字符串 # 打开音频文件 with open(audio_file_path, rb) as audio_file: files {file: audio_file} # 这里通常不需要额外参数语言检测是自动的 # 如果需要手动指定可以添加data {language: zh} data {} try: print(f正在上传并识别文件: {audio_file_path}) response requests.post(asr_service_url, filesfiles, datadata) response.raise_for_status() # 检查请求是否成功 result response.json() # 假设API返回的JSON中文本在text字段里 transcribed_text result.get(text, ) detected_language result.get(language, unknown) print(f识别完成检测到语言: {detected_language}) print(f文本长度: {len(transcribed_text)} 字符) return transcribed_text except requests.exceptions.RequestException as e: print(fAPI请求失败: {e}) return None except json.JSONDecodeError: print(API返回的不是有效JSON格式) return None # 使用示例 if __name__ __main__: # 替换为你的音频文件路径和真实的ASR服务URL my_audio 我的播客节目.mp3 service_url https://gpu-your-instance-7860.web.gpu.csdn.net/api/transcribe full_text transcribe_audio(my_audio, service_url) if full_text: # 保存原始转写文本供后续步骤使用 with open(transcribed_text.txt, w, encodingutf-8) as f: f.write(full_text) print(原始文本已保存至 transcribed_text.txt)这段代码做了几件事读取你的音频文件通过HTTP请求发送到ASR服务然后解析返回的JSON结果最后把识别出的文本保存下来。这样我们就得到了播客的完整文字稿。3.2 第二步文本预处理与清洗直接从ASR模型出来的文本可能包含一些我们需要处理的东西比如语气词和重复“嗯”、“啊”、“这个那个”。识别错误同音字错误或背景噪音导致的乱码。没有标点或分段长文本挤在一起难以阅读。我们可以写一个简单的函数来清洗和初步格式化文本import re def clean_transcribed_text(raw_text): 清洗和预处理ASR识别出的原始文本 :param raw_text: 原始识别文本 :return: 清洗后的文本 if not raw_text: return # 1. 替换常见的ASR错误或无意义词这里只是一个简单示例你可以根据实际情况扩充列表 common_fillers [嗯, 啊, 呃, 这个, 那个, 然后] for filler in common_fillers: # 避免替换掉词语中的部分这里用正则匹配单独的词 raw_text re.sub(rf\b{filler}\b, , raw_text) # 2. 合并多余的空白字符多个空格、换行等 raw_text re.sub(r\s, , raw_text).strip() # 3. 简单的句子边界检测并添加句号这是一个非常基础的实现 # 更复杂的可以使用NLP工具如spaCy、NLTK或jieba中文 sentences re.split(r([。!?]), raw_text) # 根据中英文标点分割 cleaned_sentences [] for i in range(0, len(sentences)-1, 2): sentence (sentences[i] sentences[i1]).strip() if sentence: cleaned_sentences.append(sentence) # 处理最后一段 if len(sentences) % 2 1 and sentences[-1].strip(): cleaned_sentences.append(sentences[-1].strip() 。) cleaned_text .join(cleaned_sentences) # 先用空格连接后续分段会处理 print(f文本清洗完成。原始长度: {len(raw_text)} 清洗后: {len(cleaned_text)}) return cleaned_text # 接续上一步的代码 if full_text: cleaned_text clean_transcribed_text(full_text) with open(cleaned_text.txt, w, encodingutf-8) as f: f.write(cleaned_text)预处理之后文本会规整很多为接下来的章节分割打好基础。3.3 第三步基于文本语义的章节自动分割这是最关键也最有价值的一步。我们需要把一长串文本按照其讨论的主题或内容自动切分成几个逻辑章节。这里介绍两种实用的方法方法一基于文本嵌入和聚类的无监督方法推荐这种方法不需要预先定义章节模型会自动发现文本中自然的主题转折点。# 安装所需库pip install scikit-learn numpy import numpy as np from sklearn.cluster import KMeans from sentence_transformers import SentenceTransformer # 用于获取句子向量 def split_into_chapters(text, num_chapters5): 使用语义嵌入和聚类将长文本分割成章节 :param text: 清洗后的长文本 :param num_chapters: 期望的章节数量可根据音频时长估算如60分钟音频分5章 :return: 章节列表 # 1. 将文本分割成句子这里用简单句号分割生产环境建议用更好的分句工具 sentences [s.strip() for s in text.split(。) if s.strip()] if len(sentences) num_chapters: print(句子数量少于期望章节数请调整num_chapters参数。) return [text] # 2. 加载一个轻量级的句子嵌入模型例如paraphrase-multilingual-MiniLM-L12-v2 print(正在加载句子嵌入模型...) model SentenceTransformer(paraphrase-multilingual-MiniLM-L12-v2) # 3. 将每个句子转换为向量这个过程可能稍慢取决于句子数量 print(f正在为 {len(sentences)} 个句子生成语义向量...) sentence_embeddings model.encode(sentences) # 4. 使用K-Means聚类算法将句子向量分成N个簇即章节 kmeans KMeans(n_clustersnum_chapters, random_state42) kmeans.fit(sentence_embeddings) chapter_labels kmeans.labels_ # 5. 根据聚类结果将属于同一簇的句子合并成一个章节 chapters [] for chapter_id in range(num_chapters): chapter_sentences [sentences[i] for i in range(len(sentences)) if chapter_labels[i] chapter_id] chapter_text 。.join(chapter_sentences) 。 chapters.append(chapter_text) print(f文本已自动分割为 {len(chapters)} 个章节。) return chapters # 方法二基于规则和启发式的方法简单快速 def split_by_pause_or_topic_change(text, approx_minutes_per_chapter15, words_per_minute150): 基于近似时间间隔或关键词变化进行分割简易版 :param text: 清洗后的文本 :param approx_minutes_per_chapter: 预计每章节的分钟数 :param words_per_minute: 估算的语速字/分钟 :return: 章节列表 words text.split() total_words len(words) words_per_chapter approx_minutes_per_chapter * words_per_minute num_chapters max(1, total_words // words_per_chapter) chapters [] for i in range(num_chapters): start_idx i * words_per_chapter end_idx (i 1) * words_per_chapter if i ! num_chapters - 1 else total_words chapter_text .join(words[start_idx:end_idx]) chapters.append(chapter_text) print(f基于时长估算文本被分割为 {len(chapters)} 个章节。) return chapters第一种方法更智能能根据内容本身的语义变化来分章效果更好。第二种方法更简单快速适合对章节划分要求不高的场景。你可以根据实际情况选择。3.4 第四步为每个章节生成摘要与提取关键词现在我们有了分好章节的文本。接下来为每个章节生成一段简洁的摘要并提取几个核心关键词。这里我们可以利用另一个强大的模型——大语言模型LLM例如通过API调用Qwen、ChatGPT等。# 假设我们有一个函数可以调用LLM的API def call_llm_api(prompt, chapter_text): 模拟调用大语言模型API来生成摘要和关键词 在实际应用中你需要替换为真实的API调用代码如OpenAI API、通义千问API等 :param prompt: 给模型的指令 :param chapter_text: 章节文本 :return: 模型返回的结果字符串 # 这里是模拟代码真实情况需要requests库调用API # 示例使用一个假设的本地或在线LLM服务 full_prompt f{prompt}\n\n文本内容{chapter_text[:2000]} # 限制文本长度 # ... 实际调用API的代码 ... # simulated_response requests.post(llm_api_url, json{prompt: full_prompt}) # return simulated_response.json()[choices][0][text] # 为了演示我们返回一个模拟结果 simulated_summary 这是模拟生成的章节摘要概述了本章节讨论的主要技术要点和实现方案。 simulated_keywords AI, 语音识别, 自动化 return f摘要{simulated_summary}\n关键词{simulated_keywords} def process_chapters_for_summary_and_keywords(chapters): 批量处理所有章节生成摘要和关键词 :param chapters: 章节文本列表 :return: 包含摘要和关键词的结构化列表 results [] prompt_instruction 请为以下播客节目文本片段生成 1. 一段简洁的摘要100字以内概括核心内容。 2. 3-5个最能代表该片段内容的关键词或关键短语。 请以“摘要”和“关键词”的格式回答。 for idx, chapter_text in enumerate(chapters): print(f正在处理第 {idx 1} 章...) # 在实际使用中这里应替换为真实的API调用 llm_response call_llm_api(prompt_instruction, chapter_text) # 简单解析响应实际应用中需要更健壮的解析 lines llm_response.split(\n) summary, keywords , for line in lines: if line.startswith(摘要): summary line[3:].strip() elif line.startswith(关键词): keywords line[4:].strip() chapter_result { chapter_number: idx 1, summary: summary, keywords: keywords, text_preview: chapter_text[:200] ... # 预览前200字符 } results.append(chapter_result) # 避免频繁调用API导致速率限制可添加短暂延迟 # time.sleep(1) return results # 主流程整合 def main_pipeline(audio_file_path): print( 播客内容自动化处理流水线启动 ) # 1. 语音转文字 raw_text transcribe_audio(audio_file_path, 你的ASR服务URL) if not raw_text: return # 2. 文本清洗 cleaned_text clean_transcribed_text(raw_text) # 3. 章节分割这里使用聚类方法 chapters split_into_chapters(cleaned_text, num_chapters5) # 4. 摘要与关键词提取 final_results process_chapters_for_summary_and_keywords(chapters) # 5. 输出最终结果 print(\n 处理完成生成的结构化内容如下) for chap in final_results: print(f\n--- 第 {chap[chapter_number]} 章 ---) print(f关键词{chap[keywords]}) print(f摘要{chap[summary]}) print(f内容预览{chap[text_preview]}) print(- * 40) # 可以将结果保存为JSON或Markdown文件 import json with open(podcast_structured_output.json, w, encodingutf-8) as f: json.dump(final_results, f, ensure_asciiFalse, indent2) print(\n详细结果已保存至 podcast_structured_output.json) # 运行整个流水线 # main_pipeline(你的播客音频文件路径)通过这个流水线你的长音频就变成了一份结构清晰的文档包含了分章节的摘要和关键词无论是用于制作shownotes、内容归档还是快速检索都极其方便。4. 应用场景与价值延伸这个自动化流水线不仅仅适用于播客。它的核心价值在于将非结构化的音频信息转化为结构化的、可搜索、可分析的数据。你可以把它用在很多地方在线教育自动为课程视频生成带摘要的字幕和章节索引方便学生复习。会议记录自动转录会议录音并提炼出会议纪要和行动项关键词。媒体内容管理为视频库或音频档案库自动创建文字目录和标签极大提升检索效率。自媒体创作视频博主可以快速将口播内容转为文章初稿并提取核心观点作为标题或标签的参考。客户服务质检分析客服通话录音自动总结沟通要点和客户反馈关键词。技术选型提醒在这个流水线中我们用了Qwen3-ASR-1.7B做语音识别用了一个假设的LLM做摘要生成。在实际部署时你可以选择全链路本地化使用完全开源的模型如Qwen系列ASR Qwen系列LLM数据隐私有保障。混合云模式敏感音频在本地识别成文本后再将文本发送到云端LLM服务如通义千问、GPT等进行摘要生成平衡成本与效果。轻量化部署如果对摘要质量要求不高也可以使用传统的文本摘要算法如TextRank来替代LLM这样部署起来更轻量。5. 总结通过Qwen3-ASR-1.7B与后续文本处理技术的结合我们成功地将一个繁琐的、人工的音频处理任务变成了一条高效的自动化流水线。这个案例展示了技术整合的价值单个模型解决单点问题多个技术组合起来就能解决复杂的业务流程。开源工具的威力像Qwen3-ASR-1.7B这样的高质量开源模型让开发者能以很低的门槛获得强大的语音识别能力。自动化释放创造力把创作者从重复的体力劳动听写、分段、总结中解放出来让他们能更专注于内容创作本身。整个过程从环境准备到最终输出代码和思路都是清晰、可复现的。你可以根据自己的需求调整章节分割的算法、摘要的详细程度或者增加情感分析、话题分类等更多功能。希望这个实战案例能为你处理音频内容打开一扇新的大门。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。
Qwen3-ASR-1.7B实战案例：播客节目自动生成章节摘要与关键词提取
Qwen3-ASR-1.7B实战案例播客节目自动生成章节摘要与关键词提取1. 引言从音频到结构化内容的挑战如果你是一个播客创作者或者经常需要处理大量的音频内容你肯定遇到过这样的烦恼一段长达一小时的播客节目想要快速了解核心内容或者为它生成一个清晰的章节大纲手动操作起来简直是一场噩梦。你需要反复听、记笔记、提炼要点整个过程耗时耗力。现在想象一下你只需要上传音频文件几分钟后就能得到一份完整的文字稿并且系统还能自动帮你把内容分成几个清晰的章节提取出每个章节的核心摘要和关键词。这听起来是不是很科幻但这就是我们今天要聊的Qwen3-ASR-1.7B模型能帮你实现的事情。Qwen3-ASR-1.7B不是一个简单的语音转文字工具。它是一个高精度的语音识别模型能听懂包括中文、英语、日语在内的30种通用语言甚至还能识别22种中文方言。更重要的是我们可以基于它识别出的文字进一步构建智能化的内容处理流程。本文将带你一步步实现一个完整的播客内容处理系统从音频上传到最终的结构化摘要输出全程自动化。2. 核心工具Qwen3-ASR-1.7B快速上手在开始我们的实战项目之前我们先花几分钟了解一下这个核心工具怎么用。不用担心整个过程非常简单完全在网页上操作不需要你懂任何复杂的命令行。2.1 访问与界面首先你需要访问Qwen3-ASR-1.7B的Web操作界面。地址通常是这样的格式https://gpu-{你的实例ID}-7860.web.gpu.csdn.net/。打开后你会看到一个干净简洁的页面主要就是一个文件上传区域和一些设置选项。2.2 三步完成语音转文字整个识别过程只需要三步上传音频点击上传按钮选择你的播客音频文件。它支持wav、mp3、flac、ogg这些常见格式所以你手机录的m4a文件可能需要先转成mp3。选择语言这里有个很智能的功能——自动语言检测。你通常不需要手动选择模型会自己判断音频里说的是什么语言。当然如果你明确知道是粤语播客也可以手动选“粤语”这样识别可能会更准一点。开始识别点击“开始识别”按钮然后喝杯咖啡等待一下。处理速度取决于你的音频长度和服务器性能。完成后页面会直接显示识别结果包括识别出的语言和完整的转写文本。一个小提示为了保证识别效果尽量上传清晰的音频。如果背景噪音很大或者几个人同时说话声音重叠识别准确率可能会下降。这是目前所有语音识别工具都面临的共同挑战。3. 实战构建播客内容自动化处理流水线仅仅把语音转成文字只是解决了第一步。我们的目标是获得结构化的、可直接使用的内容。下面我们来搭建一个完整的处理流水线。这个流水线的思路是ASR识别 - 文本预处理 - 章节分割 - 摘要与关键词提取。3.1 第一步调用ASR API获取文本虽然Web界面很方便但为了自动化我们需要通过代码来调用它。Qwen3-ASR-1.7B服务通常提供了一个API接口。下面是一个Python示例展示如何上传音频并获取识别文本。import requests import json import time def transcribe_audio(audio_file_path, asr_service_url): 调用ASR服务进行语音转写 :param audio_file_path: 本地音频文件路径 :param asr_service_url: ASR服务的API地址例如 http://your-server:7860/api/transcribe :return: 识别后的文本字符串 # 打开音频文件 with open(audio_file_path, rb) as audio_file: files {file: audio_file} # 这里通常不需要额外参数语言检测是自动的 # 如果需要手动指定可以添加data {language: zh} data {} try: print(f正在上传并识别文件: {audio_file_path}) response requests.post(asr_service_url, filesfiles, datadata) response.raise_for_status() # 检查请求是否成功 result response.json() # 假设API返回的JSON中文本在text字段里 transcribed_text result.get(text, ) detected_language result.get(language, unknown) print(f识别完成检测到语言: {detected_language}) print(f文本长度: {len(transcribed_text)} 字符) return transcribed_text except requests.exceptions.RequestException as e: print(fAPI请求失败: {e}) return None except json.JSONDecodeError: print(API返回的不是有效JSON格式) return None # 使用示例 if __name__ __main__: # 替换为你的音频文件路径和真实的ASR服务URL my_audio 我的播客节目.mp3 service_url https://gpu-your-instance-7860.web.gpu.csdn.net/api/transcribe full_text transcribe_audio(my_audio, service_url) if full_text: # 保存原始转写文本供后续步骤使用 with open(transcribed_text.txt, w, encodingutf-8) as f: f.write(full_text) print(原始文本已保存至 transcribed_text.txt)这段代码做了几件事读取你的音频文件通过HTTP请求发送到ASR服务然后解析返回的JSON结果最后把识别出的文本保存下来。这样我们就得到了播客的完整文字稿。3.2 第二步文本预处理与清洗直接从ASR模型出来的文本可能包含一些我们需要处理的东西比如语气词和重复“嗯”、“啊”、“这个那个”。识别错误同音字错误或背景噪音导致的乱码。没有标点或分段长文本挤在一起难以阅读。我们可以写一个简单的函数来清洗和初步格式化文本import re def clean_transcribed_text(raw_text): 清洗和预处理ASR识别出的原始文本 :param raw_text: 原始识别文本 :return: 清洗后的文本 if not raw_text: return # 1. 替换常见的ASR错误或无意义词这里只是一个简单示例你可以根据实际情况扩充列表 common_fillers [嗯, 啊, 呃, 这个, 那个, 然后] for filler in common_fillers: # 避免替换掉词语中的部分这里用正则匹配单独的词 raw_text re.sub(rf\b{filler}\b, , raw_text) # 2. 合并多余的空白字符多个空格、换行等 raw_text re.sub(r\s, , raw_text).strip() # 3. 简单的句子边界检测并添加句号这是一个非常基础的实现 # 更复杂的可以使用NLP工具如spaCy、NLTK或jieba中文 sentences re.split(r([。!?]), raw_text) # 根据中英文标点分割 cleaned_sentences [] for i in range(0, len(sentences)-1, 2): sentence (sentences[i] sentences[i1]).strip() if sentence: cleaned_sentences.append(sentence) # 处理最后一段 if len(sentences) % 2 1 and sentences[-1].strip(): cleaned_sentences.append(sentences[-1].strip() 。) cleaned_text .join(cleaned_sentences) # 先用空格连接后续分段会处理 print(f文本清洗完成。原始长度: {len(raw_text)} 清洗后: {len(cleaned_text)}) return cleaned_text # 接续上一步的代码 if full_text: cleaned_text clean_transcribed_text(full_text) with open(cleaned_text.txt, w, encodingutf-8) as f: f.write(cleaned_text)预处理之后文本会规整很多为接下来的章节分割打好基础。3.3 第三步基于文本语义的章节自动分割这是最关键也最有价值的一步。我们需要把一长串文本按照其讨论的主题或内容自动切分成几个逻辑章节。这里介绍两种实用的方法方法一基于文本嵌入和聚类的无监督方法推荐这种方法不需要预先定义章节模型会自动发现文本中自然的主题转折点。# 安装所需库pip install scikit-learn numpy import numpy as np from sklearn.cluster import KMeans from sentence_transformers import SentenceTransformer # 用于获取句子向量 def split_into_chapters(text, num_chapters5): 使用语义嵌入和聚类将长文本分割成章节 :param text: 清洗后的长文本 :param num_chapters: 期望的章节数量可根据音频时长估算如60分钟音频分5章 :return: 章节列表 # 1. 将文本分割成句子这里用简单句号分割生产环境建议用更好的分句工具 sentences [s.strip() for s in text.split(。) if s.strip()] if len(sentences) num_chapters: print(句子数量少于期望章节数请调整num_chapters参数。) return [text] # 2. 加载一个轻量级的句子嵌入模型例如paraphrase-multilingual-MiniLM-L12-v2 print(正在加载句子嵌入模型...) model SentenceTransformer(paraphrase-multilingual-MiniLM-L12-v2) # 3. 将每个句子转换为向量这个过程可能稍慢取决于句子数量 print(f正在为 {len(sentences)} 个句子生成语义向量...) sentence_embeddings model.encode(sentences) # 4. 使用K-Means聚类算法将句子向量分成N个簇即章节 kmeans KMeans(n_clustersnum_chapters, random_state42) kmeans.fit(sentence_embeddings) chapter_labels kmeans.labels_ # 5. 根据聚类结果将属于同一簇的句子合并成一个章节 chapters [] for chapter_id in range(num_chapters): chapter_sentences [sentences[i] for i in range(len(sentences)) if chapter_labels[i] chapter_id] chapter_text 。.join(chapter_sentences) 。 chapters.append(chapter_text) print(f文本已自动分割为 {len(chapters)} 个章节。) return chapters # 方法二基于规则和启发式的方法简单快速 def split_by_pause_or_topic_change(text, approx_minutes_per_chapter15, words_per_minute150): 基于近似时间间隔或关键词变化进行分割简易版 :param text: 清洗后的文本 :param approx_minutes_per_chapter: 预计每章节的分钟数 :param words_per_minute: 估算的语速字/分钟 :return: 章节列表 words text.split() total_words len(words) words_per_chapter approx_minutes_per_chapter * words_per_minute num_chapters max(1, total_words // words_per_chapter) chapters [] for i in range(num_chapters): start_idx i * words_per_chapter end_idx (i 1) * words_per_chapter if i ! num_chapters - 1 else total_words chapter_text .join(words[start_idx:end_idx]) chapters.append(chapter_text) print(f基于时长估算文本被分割为 {len(chapters)} 个章节。) return chapters第一种方法更智能能根据内容本身的语义变化来分章效果更好。第二种方法更简单快速适合对章节划分要求不高的场景。你可以根据实际情况选择。3.4 第四步为每个章节生成摘要与提取关键词现在我们有了分好章节的文本。接下来为每个章节生成一段简洁的摘要并提取几个核心关键词。这里我们可以利用另一个强大的模型——大语言模型LLM例如通过API调用Qwen、ChatGPT等。# 假设我们有一个函数可以调用LLM的API def call_llm_api(prompt, chapter_text): 模拟调用大语言模型API来生成摘要和关键词 在实际应用中你需要替换为真实的API调用代码如OpenAI API、通义千问API等 :param prompt: 给模型的指令 :param chapter_text: 章节文本 :return: 模型返回的结果字符串 # 这里是模拟代码真实情况需要requests库调用API # 示例使用一个假设的本地或在线LLM服务 full_prompt f{prompt}\n\n文本内容{chapter_text[:2000]} # 限制文本长度 # ... 实际调用API的代码 ... # simulated_response requests.post(llm_api_url, json{prompt: full_prompt}) # return simulated_response.json()[choices][0][text] # 为了演示我们返回一个模拟结果 simulated_summary 这是模拟生成的章节摘要概述了本章节讨论的主要技术要点和实现方案。 simulated_keywords AI, 语音识别, 自动化 return f摘要{simulated_summary}\n关键词{simulated_keywords} def process_chapters_for_summary_and_keywords(chapters): 批量处理所有章节生成摘要和关键词 :param chapters: 章节文本列表 :return: 包含摘要和关键词的结构化列表 results [] prompt_instruction 请为以下播客节目文本片段生成 1. 一段简洁的摘要100字以内概括核心内容。 2. 3-5个最能代表该片段内容的关键词或关键短语。 请以“摘要”和“关键词”的格式回答。 for idx, chapter_text in enumerate(chapters): print(f正在处理第 {idx 1} 章...) # 在实际使用中这里应替换为真实的API调用 llm_response call_llm_api(prompt_instruction, chapter_text) # 简单解析响应实际应用中需要更健壮的解析 lines llm_response.split(\n) summary, keywords , for line in lines: if line.startswith(摘要): summary line[3:].strip() elif line.startswith(关键词): keywords line[4:].strip() chapter_result { chapter_number: idx 1, summary: summary, keywords: keywords, text_preview: chapter_text[:200] ... # 预览前200字符 } results.append(chapter_result) # 避免频繁调用API导致速率限制可添加短暂延迟 # time.sleep(1) return results # 主流程整合 def main_pipeline(audio_file_path): print( 播客内容自动化处理流水线启动 ) # 1. 语音转文字 raw_text transcribe_audio(audio_file_path, 你的ASR服务URL) if not raw_text: return # 2. 文本清洗 cleaned_text clean_transcribed_text(raw_text) # 3. 章节分割这里使用聚类方法 chapters split_into_chapters(cleaned_text, num_chapters5) # 4. 摘要与关键词提取 final_results process_chapters_for_summary_and_keywords(chapters) # 5. 输出最终结果 print(\n 处理完成生成的结构化内容如下) for chap in final_results: print(f\n--- 第 {chap[chapter_number]} 章 ---) print(f关键词{chap[keywords]}) print(f摘要{chap[summary]}) print(f内容预览{chap[text_preview]}) print(- * 40) # 可以将结果保存为JSON或Markdown文件 import json with open(podcast_structured_output.json, w, encodingutf-8) as f: json.dump(final_results, f, ensure_asciiFalse, indent2) print(\n详细结果已保存至 podcast_structured_output.json) # 运行整个流水线 # main_pipeline(你的播客音频文件路径)通过这个流水线你的长音频就变成了一份结构清晰的文档包含了分章节的摘要和关键词无论是用于制作shownotes、内容归档还是快速检索都极其方便。4. 应用场景与价值延伸这个自动化流水线不仅仅适用于播客。它的核心价值在于将非结构化的音频信息转化为结构化的、可搜索、可分析的数据。你可以把它用在很多地方在线教育自动为课程视频生成带摘要的字幕和章节索引方便学生复习。会议记录自动转录会议录音并提炼出会议纪要和行动项关键词。媒体内容管理为视频库或音频档案库自动创建文字目录和标签极大提升检索效率。自媒体创作视频博主可以快速将口播内容转为文章初稿并提取核心观点作为标题或标签的参考。客户服务质检分析客服通话录音自动总结沟通要点和客户反馈关键词。技术选型提醒在这个流水线中我们用了Qwen3-ASR-1.7B做语音识别用了一个假设的LLM做摘要生成。在实际部署时你可以选择全链路本地化使用完全开源的模型如Qwen系列ASR Qwen系列LLM数据隐私有保障。混合云模式敏感音频在本地识别成文本后再将文本发送到云端LLM服务如通义千问、GPT等进行摘要生成平衡成本与效果。轻量化部署如果对摘要质量要求不高也可以使用传统的文本摘要算法如TextRank来替代LLM这样部署起来更轻量。5. 总结通过Qwen3-ASR-1.7B与后续文本处理技术的结合我们成功地将一个繁琐的、人工的音频处理任务变成了一条高效的自动化流水线。这个案例展示了技术整合的价值单个模型解决单点问题多个技术组合起来就能解决复杂的业务流程。开源工具的威力像Qwen3-ASR-1.7B这样的高质量开源模型让开发者能以很低的门槛获得强大的语音识别能力。自动化释放创造力把创作者从重复的体力劳动听写、分段、总结中解放出来让他们能更专注于内容创作本身。整个过程从环境准备到最终输出代码和思路都是清晰、可复现的。你可以根据自己的需求调整章节分割的算法、摘要的详细程度或者增加情感分析、话题分类等更多功能。希望这个实战案例能为你处理音频内容打开一扇新的大门。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。
