平时做音视频相关的项目，或者临时需要把一段录音转成文字文档，很多朋友的第一反应是去白嫖各大厂的在线转写工具。但如果你手头有一大批碎片的音频文件需要处理，或者想给自己的Python脚本加个“语音控制”的功能，靠手动上传下载显然不是个好主意。
很多刚接触Python的朋友觉得“语音识别”这种底层带点AI属性的技术一定非常硬核，需要去配复杂的深度学习环境。其实完全没必要。今天给大家安利一个老牌、稳定且极其好用的第三方库——SpeechRecognition。
它最大的亮点，就是把“接收音频”和“调用识别引擎”这两件繁琐的事情，封装到了极致。哪怕你是零基础，只要会写基础的Python语法，十分钟就能让你的电脑听懂你说话。
核心工作流：它是如何听懂人话的？
SpeechRecognition 本质上是一个超级封装器。它自己在底层帮你处理了采样率、声道、音频格式等令人头疼的音频基础知识，然后对外提供了一个极其干净的调用接口。
它的整个工作流非常线性，我们可以看下这个流转过程：
[音频源] (麦克风实时输入 / 本地音频文件) │ ▼ (交由 AudioData 进行统一预处理) │ ├──> 动态屏蔽环境底噪 (Ambient Noise Adjustment) │ ▼ [Recognizer 识别器核心] │ ├──────> Google Web Speech API (自带免费额度，最常用) ├──────> CMU Sphinx (支持完全离线断网识别) └──────> 其他商用 API (微软、百度、IBM 等) │ ▼ [输出最终的字符串文本]
可以看到，它帮我们把各种不同的语音API整合在了一起，你想用哪家的引擎，只需要换个函数名就行了。
废话不多说，直接看实战代码
在开始之前，你需要简单安装一下环境。直接在终端执行：
pip install SpeechRecognition
如果你需要用到麦克风实时收音，还需要顺手装一下
PyAudio
库：
pip install pyaudio
场景一：提取本地音频文件里的文字
假设你有一段会议录音的音频文件（建议先转成标准的WAV格式），我们用代码直接把它转换成文本。
import speech_recognition as sr# 第一步：创建一个识别器对象，这就像是你的“耳朵”recognizer = sr.Recognizer()# 指定你的本地音频文件路径audio_file = "meeting_record.wav"# 第二步：将文件作为音频源打开with sr.AudioFile(audio_file) as source: print("正在将音频文件加载进内存，请稍候...") # 提取音频数据 audio_data = recognizer.record(source)# 第三步：调用云端API进行识别try: print("正在请求云端识别接口...") # 这里我们调用默认内置的 Google 免费接口 # 记得把 language 参数改成中文，不然它会拼命往英文上去匹配 text = recognizer.recognize_google(audio_data, language="zh-CN") print("\n--- 识别结果 ---") print(text) print("----------------")except sr.UnknownValueError: # 如果音频全是杂音或者没人说话，接口会抛出这个异常 print("抱歉，音频太模糊，识别接口无法理解这部分内容。")except sr.RequestError as e: # 没连上网或者被墙了，会抛出这个异常 print(f"网络请求失败，请检查你的网络连接：{e}")
只需要几行核心代码，本地的录音就变成可以直接复制粘贴的字符串了，完全不需要你去抓包或者写复杂的API认证逻辑。
场景二：让麦克风实时听懂你的指令
如果是做类似语音助手的项目，我们需要直接调用电脑麦克风。由于现实环境总是充满各种风扇声、键盘声，SpeechRecognition 提供了一个非常实用的“底噪消除”功能。
import speech_recognition as sr# 同样先初始化识别器r = sr.Recognizer()# 这一次，我们将麦克风作为数据源with sr.Microphone() as source: print("请保持安静，程序正在采样当前环境底噪...") # 关键步骤：动态适应环境噪声 # 程序会先花1秒钟时间听一听背景里的白噪音，并在后续录音中自动过滤掉 r.adjust_for_ambient_noise(source, duration=1) print("底噪校准完毕！现在请对着麦克风说话...") # 开启录音监听，一旦检测到你停止说话，就会自动结束录音 audio = r.listen(source)print("录音已结束，正在努力翻译中，请稍等...")try: # 将录制到的实时音频流发送给识别引擎 result = r.recognize_google(audio, language="zh-CN") print("你刚才说的是：", result)except sr.UnknownValueError: print("没听清你在说什么，可能是离麦克风太远了。")except sr.RequestError as e: print("接口请求出错：", e)
这段代码运行后，不仅不会把键盘敲击声误认为你在说话，还能很精准地截取你的有效语音段落。
总结一下
在这个大模型漫天飞的时代，可能很多人会觉得简单的语音转文字已经不算什么高深技术了。但作为开发者，我们最核心的精力应该放在业务逻辑上，而不是去死磕底层的声学信号处理。
SpeechRecognition 就是这样一位默默干活的“底层管家”。如果你有离线识别的需求，也可以去查阅一下它对 PocketSphinx 的支持，同样也是几行代码就能无缝切换。
下次如果有处理音频文本的需求，或者想给自己的爬虫、自动化脚本加点交互乐趣，不妨把这个轻量级的库拉出来试一试，你会发现写代码确实是一件挺解压的事。
编辑：余文彬
审校：余雨馨
10个月宝宝每天需要喝多少奶粉？