vosk 是一个开源的离线语音识别库，支持多种语言，包括中文。它非常适合在需要离线语音识别的场景中使用。

模型下载链接：https://alphacephei.com/vosk/models

我使用的音频：https://gitcode.com/open-source-toolkit/a3e7e

（我下的这个模型是识别英文音频的）

#记得在import前先下载需要的库
import vosk
import wave
import json

# 加载模型（确保模型文件已下载并正确设置路径）
model = vosk.Model("E:/pycode/vosk-model-en-us-daanzu-20200905")  # 替换为你的模型路径

# 打开音频文件（替换为你的音频路径）
with wave.open("E:/pycode/yuyinbao/English/OSR_us_000_0010_8k.wav", "rb") as wf:
    if wf.getnchannels() != 1 or wf.getsampwidth() != 2 or wf.getcomptype() != "NONE":
        raise ValueError("音频文件格式不支持，仅支持单声道、16位PCM编码的WAV文件")

    # 初始化识别器
    rec = vosk.KaldiRecognizer(model, wf.getframerate())

    # 识别语音
    while True:
        data = wf.readframes(4000)  # 每次读取4000帧（根据需要调整）
        if len(data) == 0:
            break
        if rec.AcceptWaveform(data):
            # 如果识别器返回了完整的结果
            result = json.loads(rec.Result())
            print(result)
        else:
            # 如果识别器尚未返回完整结果，可以获取部分结果
            partial_result = json.loads(rec.PartialResult())
            print(partial_result)

    # 获取最终结果（如果需要）
    final_result = json.loads(rec.FinalResult())
    print(final_result)

准确率一般...