语音转文字（STT，Speech to Text）是人机交互、音视频处理、智能客服等领域的核心技术，Python 凭借生态丰富、易用性强的优势，成为 STT 开发的主流语言。当下各类 Python STT 库百花齐放，既有开箱即用、轻量化的本地识别库，也有对接大厂接口、高精度的云端识别工具，还涵盖了兼顾速度与准确率的开源模型类库，适配个人开发、企业级项目等不同场景。本文将聚焦 Python 生态中常用、成熟、高实用性的 STT 语音识别库，从功能特性、识别精度、部署成本、适用场景等维度展开盘点，为开发者选型提供清晰参考。

1 PaddleSpeech

PaddleSpeech 是百度飞桨开源的语音交互工具集，主打中文语音识别 / 合成能力，依托飞桨框架的高性能计算优势，在中文普通话、低音质音频识别场景下表现优异，且支持私有化部署，是企业级中文 STT 场景的首选方案之一。

1.1 安装步骤

安装命令：

1 2 3 4 5 6 7 8 9

conda create -n paddlespeech python=3.10 conda activate paddlespeech python -m pip install paddlepaddle-gpu==3.2.2 -i https://www.paddlepaddle.org.cn/packages/stable/cu118/ # 安装paddlespeech git clone https://github.com/PaddlePaddle/PaddleSpeech.git cd PaddleSpeech pip install pytest-runner pip install .

注：如果这里没有n卡，这里修改成pip install paddlepaddle,具体安装选择可以看官网：PaddlePaddle
我这里之所以使用源码编译的方式去安装，是因为直接使用pip安装会有很多bug。

1.2 测试代码

1 2 3 4 5 6

import paddle from paddlespeech.cli.asr import ASRExecutor asr_executor = ASRExecutor() text = asr_executor(audio_file="test.wav", model="conformer_aishell") print(text)

1.3 遇到的报错

ERROR: Could not find a version that satisfies the requirement opencc==1.1.6 (from paddlespeech) (from versions: 0.1, 0.2, 1.1.0.post1, 1.1.1, 1.1.7, 1.1.8, 1.1.9) ERROR: No matching distribution found for opencc==1.1.6
直接去PaddleSpeech/setup.py下面修改opencc安装版本：

2 whisper

Whisper 是 OpenAI 开源的多语言语音识别模型，凭借海量多语言音频数据训练，支持 99 种语言识别，中文普通话识别准确率≈95%，且抗噪能力强，是个人开发、多语言场景的首选方案。

2.1 安装命令

1 2 3

conda create -n whisper_env python=3.10 conda activate whisper_env pip install -U openai-whisper

2.2 测试代码

1 2 3 4 5

import whisper model = whisper.load_model("turbo") result = model.transcribe("audio.mp3") print(result["text"])

如下图所示，load_model时，可选参数为：

3 FunASR

FunASR 是阿里云通义实验室开源的语音识别框架，主打中文及方言识别，在 30 + 中文方言、低音质音频场景下表现领先，是中文专属 STT 场景的最优选择。

3.1 安装步骤

1 2 3 4 5

conda create -n funasr python=3.10 conda activate funasr pip3 install -U funasr pip3 install -U modelscope huggingface_hub pip install torch==2.3.1 torchvision==0.18.1 torchaudio==2.3.1 --index-url https://download.pytorch.org/whl/cu118

3.2 测试代码

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

from funasr import AutoModel from funasr.utils.postprocess_utils import rich_transcription_postprocess model_dir = "iic/SenseVoiceSmall" model = AutoModel(     model=model_dir,     vad_model="fsmn-vad",     vad_kwargs={"max_single_segment_time": 30000},     device="cuda:0", ) # en res = model.generate(     input=f"test.mp3",     cache={},     language="auto",  # "zn", "en", "yue", "ja", "ko", "nospeech"     use_itn=True,     batch_size_s=60,     merge_vad=True,  #     merge_length_s=15, ) text = rich_transcription_postprocess(res[0]["text"]) print(text)

3.3 遇到的错误

• UnboundLocalError: local variable 'AutoTokenizer' referenced before assignment
  报错原因： transformers 库版本过低或未安装，导致模型加载时无法找到 AutoTokenizer 类。
  解决办法： 升级 transformers 库

  1	pip install -U transformers

• AssertionError: FunASRNano is not registered
  报错原因： FunASR 版本过低，未注册 FunASRNano 模型类，常见于使用 Fun-ASR-Nano 系列模型时。
  解决办法： 手动导入模型类

  1	from funasr.models.fun_asr_nano.model import FunASRNano

  

• Loading remote code failed: model, No module named 'model'
...
OSError: Error no file named pytorch_model.bin, model.safetensors, tf_model.h5, model.ckpt.index or flax_model.msgpack found in directory xxx
  报错原因： FunAudioLLM/Fun-ASR-Nano-251 模型适配性较差，远程代码加载失败或权重文件下载不完整。
  解决办法： 替换为 FunASR 官方稳定支持的模型（如 iic/SenseVoiceSmall、paraformer-large），避免使用适配性不足的 Nano 系列模型。

总结

本文盘点了 Python 生态中三大主流 STT 库：PaddleSpeech 适配飞桨生态，适合企业级中文通用场景；Whisper 主打多语言识别，易用性拉满，适配个人开发；FunASR 在中文方言识别领域优势显著，适合中文专属场景。实际开发中，个人 / 多语言场景优先选 Whisper，中文方言 / 企业级场景优先选 FunASR，飞桨生态项目可选用 PaddleSpeech。开发时需注意版本适配与依赖管理，遇到问题可优先通过升级库或替换模型解决，确保识别效果与稳定性