帮我做一个自动记录会议纪要的智能工具，能实现录音转换生成会议纪要。

├── requirements.txt              # 项目依赖配置
├── .env.example                  # 环境变量配置模板
├── .env                          # 实际环境变量配置
├── config_manager.py             # 配置管理模块
├── audio_recorder.py             # 音频录制模块
├── speech_recognizer.py          # 语音识别模块（使用Whisper）
├── meeting_summary_generator.py  # 会议纪要生成模块
├── main.py                       # 主程序
└── README.md                     # 项目文档

音频输入 → 音频预处理 → 语音识别 → 文本后处理 → 结构化提取 → 知识图谱存储

# 模型加载优化示例
@staticmethod
def load_whisper_model(model_size="base"):
    # 优先检查本地模型缓存
try:
        model = whisper.load_model(model_size, device="cuda"if torch.cuda.is_available() else"cpu")
return model
    except Exception as e:
        # 降级策略：使用更小的模型
if model_size != "tiny":
            logging.warning(f"Failed to load {model_size} model, trying tiny model: {str(e)}")
return SpeechRecognizer.load_whisper_model("tiny")
        raise

# 音频处理流水线简化示例
def process_audio(audio_file):
    # 1. 音频格式转换
    wav_file = convert_to_wav(audio_file)
    
    # 2. 语音活动检测
    speech_segments = perform_vad(wav_file)
    
    # 3. 说话人分离（基础版本）
    speaker_segments = separate_speakers(speech_segments)
    
    # 4. 语音识别
    transcripts = recognize_speech(speaker_segments)
    
    return transcripts

# 关键词提取算法核心实现
def extract_keywords(text):
    # 预定义的关键词模式
    patterns = {
"action_items": [
            r"(需要|要|应该|必须)(做|完成|执行|处理)[^。，；；!！?？]*",
            r"(行动|任务|事项)[^。，；；!！?？]*"
        ],
"decisions": [
            r"(决定|确定|达成一致)[^。，；；!！?？]*",
            r"(同意|批准|通过)[^。，；；!！?？]*"
        ],
"deadlines": [
            r"(截止|期限|到期)[^。，；；!！?？]*",
            r"(时间|日期|什么时候)[^。，；；!！?？]*"
        ]
    }

    results = {}
for category, pattern_list in patterns.items():
        results[category] = []
for pattern in pattern_list:
            matches = re.findall(pattern, text)
if matches:
                # 合并元组结果并去重
                extracted = list(set([''.join(m) if isinstance(m, tuple) else m for m in matches]))
                results[category].extend(extracted)

    return results

# 音频处理优化示例
def optimized_audio_processing(audio_data):
    # 1. 批处理优化
    batch_size = min(32, len(audio_data) // 1024)
    
    # 2. 并行处理音频片段
    if len(audio_data) > 500000:  # 对于长音频
        # 将音频分割成多个片段
        segments = split_audio(audio_data, segment_length=100000)
        # 并行处理
        with ThreadPoolExecutor(max_workers=min(4, os.cpu_count())) as executor:
            processed_segments = list(executor.map(process_audio_segment, segments))
        # 合并结果
        return merge_audio_segments(processed_segments)
    else:
        # 短音频直接处理
        return process_audio_segment(audio_data)

# 语音识别优化示例
def optimized_speech_recognition(audio, model, device):
    # 1. 动态批处理大小
    audio_length = audio.shape[0]
    if device.type == 'cuda':
        # GPU上根据音频长度动态调整批大小
        if audio_length > 1000000:
            batch_size = 2
        elif audio_length > 500000:
            batch_size = 4
        else:
            batch_size = 8
    else:
        # CPU上使用较小批大小
        batch_size = 1
    
    # 2. 缓存常用推理结果
    if hasattr(optimized_speech_recognition, 'cache'):
        cache_key = hash(audio.tobytes()[:1000])  # 使用音频前1000字节作为缓存键
        if cache_key in optimized_speech_recognition.cache:
            return optimized_speech_recognition.cache[cache_key]
    else:
        optimized_speech_recognition.cache = {}
    
    # 执行推理...
    result = model.transcribe(audio, batch_size=batch_size)
    
    # 更新缓存（限制缓存大小）
    if len(optimized_speech_recognition.cache) < 100:
        optimized_speech_recognition.cache[cache_key] = result
    
    return result

阅读原文

跳转微信打开

Fish AI Reader

Fish AI Reader

AI辅助创作，多种专业模板，深度分析，高质量内容生成。从观点提取到深度思考，FishAI为您提供全方位的创作支持。新版本引入自定义参数，让您的创作更加个性化和精准。

FishAI

鱼阅，AI 时代的下一个智能信息助手，助你摆脱信息焦虑

联系邮箱 441953276@qq.com