语音识别结果导出Excel？Python脚本实现数据转换指南
1. 引言：从语音识别到结构化输出
随着多模态AI技术的发展，语音理解已不再局限于“语音转文字”。以阿里巴巴达摩院开源的SenseVoiceSmall模型为代表的新一代语音理解系统，不仅支持中、英、日、韩、粤语等多语言高精度识别，更具备情感识别（如开心、愤怒、悲伤）和声音事件检测（如BGM、掌声、笑声）能力。这种“富文本转录”（Rich Transcription）为客服质检、会议纪要、内容审核等场景提供了更丰富的信息维度。
然而，原始识别结果通常以带标签的文本形式输出（例如<|HAPPY|>、<|APPLAUSE|>），难以直接用于数据分析或报告生成。本文将介绍如何通过 Python 脚本，将 SenseVoiceSmall 的识别结果解析并导出为结构化的 Excel 文件，便于后续处理与可视化。
2. 核心功能设计思路
2.1 需求分析
在实际应用中，用户往往需要： - 将音频文件批量处理后的识别结果统一管理； - 分离出纯文本、情感标签、声音事件等字段； - 导出为 Excel 表格，供非技术人员查阅或进一步分析。
因此，我们的目标是构建一个自动化流程：
音频文件 → SenseVoiceSmall 识别 → 原始文本 → 解析标签 → 结构化数据 → Excel 输出2.2 技术选型
我们基于以下库完成开发： -funasr: 调用 SenseVoiceSmall 模型进行推理； -pandas: 数据清洗与表格组织； -openpyxl: 支持复杂格式写入的 Excel 处理库； -os,glob: 批量遍历音频文件。
3. 实现步骤详解
3.1 环境准备
确保已安装所需依赖：
pip install funasr modelscope gradio av pandas openpyxl注意：若使用 GPU，请确认 PyTorch 版本兼容 CUDA，并设置
device="cuda:0"。
3.2 定义语音识别函数
封装模型调用逻辑，支持单个音频识别：
from funasr import AutoModel from funasr.utils.postprocess_utils import rich_transcription_postprocess import os # 初始化模型（全局一次即可） model_id = "iic/SenseVoiceSmall" model = AutoModel( model=model_id, trust_remote_code=True, vad_model="fsmn-vad", vad_kwargs={"max_single_segment_time": 30000}, device="cuda:0" # 使用GPU加速 ) def recognize_audio(audio_path, language="auto"): """ 对音频文件进行语音识别，返回原始和清洗后文本 """ if not os.path.exists(audio_path): return {"error": "文件不存在"} try: res = model.generate( input=audio_path, cache={}, language=language, use_itn=True, batch_size_s=60, merge_vad=True, merge_length_s=15, ) if len(res) > 0: raw_text = res[0]["text"] clean_text = rich_transcription_postprocess(raw_text) return { "raw": raw_text, "clean": clean_text } else: return {"error": "识别失败"} except Exception as e: return {"error": str(e)}3.3 标签解析与结构化提取
关键在于从富文本中抽取出情感、事件等元信息。我们可以利用正则表达式匹配特定模式：
import re def parse_rich_text(text): """ 解析富文本中的情感与声音事件标签 返回：纯文本 + 情感列表 + 事件列表 """ # 匹配所有 <|...|> 形式的标签 tags = re.findall(r"<\|([^|]+)\|>", text) emotions = [] events = [] valid_emotions = {"HAPPY", "ANGRY", "SAD", "NEUTRAL"} valid_events = {"BGM", "APPLAUSE", "LAUGHTER", "CRY"} for tag in tags: if tag in valid_emotions: emotions.append(tag) elif tag in valid_events: events.append(tag) # 移除所有标签得到纯净文本 plain_text = re.sub(r"<\|[^|]+\|>", "", text).strip() return { "text": plain_text, "emotions": list(set(emotions)), # 去重 "events": list(set(events)) }3.4 批量处理与 Excel 导出
遍历指定目录下的所有音频文件，逐个识别并汇总结果：
import glob import pandas as pd from datetime import datetime def batch_export_to_excel(audio_dir, output_file="speech_results.xlsx", language="auto"): """ 批量处理音频文件并导出为 Excel """ # 获取所有常见音频格式文件 audio_extensions = ["*.wav", "*.mp3", "*.flac", "*.m4a"] audio_files = [] for ext in audio_extensions: audio_files.extend(glob.glob(os.path.join(audio_dir, ext))) results = [] for file_path in audio_files: filename = os.path.basename(file_path) print(f"正在处理: {filename}") # 步骤1：语音识别 recognition_result = recognize_audio(file_path, language) if "error" in recognition_result: results.append({ "filename": filename, "status": "failed", "raw_text": "", "plain_text": "", "emotions": "", "events": "", "error": recognition_result["error"] }) continue # 步骤2：解析富文本 parsed = parse_rich_text(recognition_result["raw"]) # 步骤3：整理数据行 results.append({ "filename": filename, "status": "success", "raw_text": recognition_result["raw"], "plain_text": parsed["text"], "emotions": ", ".join(parsed["emotions"]) if parsed["emotions"] else "", "events": ", ".join(parsed["events"]) if parsed["events"] else "", "error": "" }) # 转换为 DataFrame df = pd.DataFrame(results) # 写入 Excel with pd.ExcelWriter(output_file, engine='openpyxl') as writer: df.to_excel(writer, sheet_name='识别结果', index=False) # 可选：添加样式美化 worksheet = writer.sheets['识别结果'] for col in worksheet.columns: max_length = max(len(str(cell.value)) for cell in col) adjusted_width = min(max_length + 2, 50) worksheet.column_dimensions[col[0].column_letter].width = adjusted_width print(f"✅ 批量处理完成，结果已保存至: {output_file}")3.5 使用示例
# 示例调用 batch_export_to_excel( audio_dir="./audios/", # 音频文件夹路径 output_file="output/results.xlsx", language="auto" # 自动识别语言 )4. 实践问题与优化建议
4.1 常见问题及解决方案
| 问题 | 原因 | 解决方法 |
|---|---|---|
| 识别速度慢 | CPU 推理 | 切换至 GPU，检查device="cuda:0"是否生效 |
| 音频无法加载 | 缺少解码器 | 安装ffmpeg并确保av库可用 |
| 标签未正确解析 | 正则规则不全 | 扩展valid_emotions/events集合 |
| 内存溢出 | 批量过大 | 设置batch_size_s或分批次处理 |
4.2 性能优化建议
- 启用批处理机制：对于大量短音频，可合并成批次送入模型，提升吞吐效率。
- 缓存模型实例：避免重复初始化模型，降低启动开销。
- 异步并发处理：结合
concurrent.futures.ThreadPoolExecutor实现多文件并行识别（适用于 I/O 密集型任务）。 - 结果去重策略：对连续出现的情感标签做时间窗口聚合，避免冗余记录。
5. 总结
5. 总结
本文围绕阿里开源的SenseVoiceSmall多语言语音理解模型，提出了一套完整的语音识别结果结构化导出方案。通过 Python 脚本实现了以下核心功能：
- 调用
funasr进行高精度语音识别，支持情感与声音事件检测； - 利用正则表达式解析富文本标签，分离出纯文本、情绪、事件等字段；
- 批量处理多个音频文件，并将结果导出为格式清晰的 Excel 表格；
- 提供可扩展的数据处理框架，便于集成至自动化流水线。
该方法特别适用于需要对语音内容进行定性分析的业务场景，如客户情绪追踪、课堂互动统计、直播内容标注等。未来可进一步结合时间戳信息，实现按时间段的情绪变化热力图展示，或接入 BI 工具进行可视化分析。
获取更多AI镜像
想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。
