视频转写全链路实录：从免费额度到说话人分离

2026-10-16

想把一个 7 分钟的访谈视频转成逐字稿，要求带时间戳、区分说话人。我用腾讯云语音识别全链路跑通了：1 分钟出结果，96 句转成 60 个话轮，3915 字。

但链路打通之前，我在 8 个坑里摔了一遍。这篇是完整实录。

为什么做这个

需求：视频转文字稿，两个硬要求——每句话带时间戳、区分说话人。市面上的免费工具要么没时间戳，要么不分说话人，要么把数据传到不知名的服务器。

选型时定了条长期策略：默认用临期/限免的 API，本地做备用。按有效期短的先用：

  1. 腾讯云录音文件识别（新用户 10 小时包）——自带说话人分离+逐句时间戳，有额度时默认走这条
  2. 硅基流动 SenseVoiceSmall（待接入）
  3. 腾讯云一句话识别分块（无说话人分离）
  4. Groq 免费层
  5. 本地 faster-whisper + ECAPA（备用链路）

核心逻辑：免费额度过期不候，先用要过期的。10 小时包 10 月 31 号到期，不用白不用。

怎么做的

路线 A：base64 直传（≤5MB 音频）

音频压成 16kHz 单声道、48k 码率的 mp3（7.8 分钟约 2.67MB），base64 编码后直接调 CreateRecTask：

{"EngineModelType": "16k_zh",
 "ChannelNum": 1,
 "ResTextFormat": 1,
 "SourceType": 1,           # base64 直传
 "Data": base64音频,
 "DataLen": len,
 "SpeakerDiarization": 1,   # 说话人分离
 "SpeakerNumber": 0,        # 16k 引擎不支持指定人数，0=自动识别
 "FilterPunc": 0}

零依赖、最顺手，是默认路线。

路线 B：COS 地址（>5MB 音频）

音频先传对象存储，拿预签名 URL 调 CreateRecTask：

{"EngineModelType": "16k_zh",
 "ChannelNum": 1,
 "ResTextFormat": 1,
 "SourceType": 0,           # COS 地址
 "Url": 预签名URL,
 "SpeakerDiarization": 1,
 "SpeakerNumber": 0,
 "FilterPunc": 0}

这是 >5MB 音频的逃生通道。

轮询结果

d = call("DescribeTaskStatus", {"TaskId": task_id})["Response"]["Data"]
# d["StatusStr"]: "success" / "failed"
# 成功后取 d["ResultUrl"] 下载结果文本

结果格式是 [开始,结束,说话人ID] 文本，每行一句。

话轮合并

按说话人 ID 合并连续同说话人的句子，输出标准格式：

[00:00:00] 说话人：同一人连续说的完整的一段话

每话轮只有一个开始时间戳，不按固定时长机械切段。说话人名字按内容推断，交付时必须说明是推断的。

实测数据

抖音访谈视频（465.9 秒），base64 路线：

  • 音频：2.67MB mp3
  • 任务提交到成功：约 1 分钟
  • 结果：96 句 → 60 话轮 → 3915 字
  • 花费：免费包约 0.13 小时

踩过的坑

坑 1：AppId ≠ 账号 UIN

现象：桶名后缀用了账号编号，create_bucket 报 AccessDenied，但 list_buckets 却是 200。

原因：腾讯云的 AppId 和账号 UIN 是两个不同的东西。桶名必须为 桶名-AppId。

解法：去控制台右上角头像→账号信息页查真实 AppId（本账号 AppId=1503285150，UIN=100053571078）。

教训：云厂商文档里"账号 ID"有好几种，动手前先确认用的是哪一个。

坑 2：新账号 COS 未在控制台开通

现象：create_bucket 报 AccessDenied。

原因：对象存储要在控制台手动点"开通"，API 开不了。

解法：控制台手动开通，开通即领 50GB 标准存储免费 180 天。

坑 3：SourceType 没有 2

现象：CreateRecTask 报 InvalidParameter: SourceType: 2 not in list: [0,1]。

原因：想当然以为 COS 地址是 SourceType=2。

解法：COS 地址方式 = SourceType=0 + Url；base64 = SourceType=1。就两个值。

坑 4：私有桶裸 URL

现象：ASR 任务 failed，ErrorMsg: Failed to download audio file!。

原因：私有桶的裸 URL 外部访问不了。

解法：用 get_presigned_url 生成预签名 URL（有效期 1 小时）再提交。

坑 5：本机直连 COS 被墙

现象：SSL: WRONG_VERSION_NUMBER。

解法：必须走代理（保留 https_proxy 环境变量）；CosConfig 的 Timeout 设 120 秒以上（代理传 2.8MB 约 98 秒，默认 30 秒必超时）。

坑 6：返回结构认错层级

现象：KeyError: 'TaskId'。

原因：CreateRecTask 和 DescribeTaskStatus 的返回都在 Response.Data 下，不是 Response 直属。

教训：调新 API 先打印完整返回再写解析代码，5 分钟能避的坑。

坑 7：16k 引擎指定说话人数

现象：传 SpeakerNumber=2 不生效。

原因：16k 引擎不支持指定人数。

解法：固定传 0（自动识别）。

坑 8：base64 单文件超限

现象：服务端拒收。

解法：单文件 ≤5MB；超了就压 48k mp3 或改走路线 B。

总结

  1. 免费额度按"有效期短先用"：过期不候的东西，不用就是浪费
  2. 云厂商的"账号 ID"有好几种，动手前先确认用的是哪一个（AppId≠UIN）
  3. 调新 API 先打印完整返回再写解析，不要靠猜结构
  4. 转写质量由引擎层保证，与传输方式无关——选路线只看文件大小和依赖成本
  5. base64 直传是默认路线，COS 地址是逃生通道，两条都验证过才算链路打通

以上，全文完。

最后认识一下，我是 Liyu，一名 AI 实践爱好者，会不定期记录我的学习过程，期待你的关注和分享。

← 返回文章列表