事先备注：离线方式，模型做不到100%，且识别出的文本时没有标点符号断句的。

所需python库

speech_recognition：用于语音转文本

pydub：用于mp3转wav

FFmpeg：用于MP3转wav，（仅仅pip安装是不够的，安装它的教程会单独写一篇）

mp3转wav

大多数库是不能直接识别mp3的，所以需要将mp3转为wav文件：

from pydub import AudioSegment

def convert_mp3_to_wav(mp3_file,wav_file):
    audio=AudioSegment.from_file(mp3_file,format='mp3')
    audio.export(wav_file,format='wav')

wav转为txt文件

def recog_mp3(mp3_audio_file):
    wav_audio_file = mp3_audio_file.replace(".mp3", ".wav")
    txt_audio_file = mp3_audio_file.replace(".mp3", ".txt")
    convert_mp3_to_wav(mp3_audio_file,wav_audio_file)
    r = sr.Recognizer()
    with sr.AudioFile(wav_audio_file) as source:
        audio = r.record(source)
    print('识别内容：\n')
    audio_text=r.recognize_vosk(audio, language='zh_cn')
    #识别出来的文本会有很多空格，这里用replace替换掉
    audio_text=audio_text.replace(" ","")
    with open(txt_audio_file,'w') as file:
        file.write(audio_text)

我这里用的是vosk模型，虽然做不到100%准确率，但大部分是能准确识别的，大概意思是能读出来的，模型来源：VOSK Models

可以复制下载链接之后，用xunlei等软件下载，比chrome浏览器的速度快很多。

这里下载之后，解压到python脚本程序所在的文件夹，并将解压后的文件夹改名为“model”。

其他教程说的recognize_sphinx方式，效果其实很差的，不如vosk。