Voice Toolkit - Rust 语音处理工具库

voice-toolkit 是一个功能强大的 Rust 语音处理工具库，提供统一的接口来处理语音转文本(STT)、文本转语音(TTS)和音频处理任务。该库基于 Whisper 模型提供高质量的语音识别功能，支持多种音频格式转换和实时语音处理。

主要特性

语音转文本 (STT): 基于 OpenAI Whisper 模型的高质量语音识别
文本转语音 (TTS): 基于 Index-TTS 的语音合成功能
音频处理: 支持多种音频格式的转换和处理
实时流式处理: 支持实时音频流的转录
语音活动检测 (VAD): 智能检测语音片段，提高处理效率
跨平台支持: 支持 Windows、macOS 和 Linux
GPU 加速: 可选的 CUDA、Vulkan 和 Metal 加速支持

快速开始

基本依赖

在 Cargo.toml 中添加依赖：

[dependencies]
voice-toolkit = { version = "0.15.0", features = ["stt", "tts", "audio"] }

语音转文本示例

use voice_toolkit::transcribe_file_unified;

#[tokio::main]
async fn main() -> Result<(), Box<dyn std::error::Error>> {
    let model_path = "models/ggml-base.bin";
    let audio_path = "audio/hello.wav";
    
    let result = transcribe_file_unified(model_path, audio_path).await?;
    println!("转录结果: {}", result.text);
    
    Ok(())
}

音频格式转换示例

use voice_toolkit::audio;

#[tokio::main]
async fn main() -> Result<(), Box<dyn std::error::Error>> {
    let input_path = "audio/input.mp3";
    let output_path = "audio/output.wav";
    
    // 将 MP3 转换为 Whisper 兼容的 WAV 格式
    audio::convert_to_whisper_format(input_path, output_path).await?;
    println!("转换完成: {}", output_path);
    
    Ok(())
}

文本转语音示例

use voice_toolkit::tts;

#[tokio::main]
async fn main() -> Result<(), Box<dyn std::error::Error>> {
    let text = "你好，世界！欢迎使用语音工具库。";
    let output_path = "output/hello.wav";
    
    // 使用 Index-TTS 生成语音
    tts::synthesize_text(text, output_path, None).await?;
    println!("语音合成完成: {}", output_path);
    
    Ok(())
}

功能特性

STT 功能

支持多种音频格式：WAV、MP3、FLAC、M4A、OGG 等
自动音频格式转换和预处理
支持实时流式转录
集成语音活动检测 (VAD)
性能监控和基准测试

TTS 功能

基于 Index-TTS 的高质量语音合成
支持多种输出格式
可扩展的引擎架构

音频处理功能

音频格式转换
音频重采样
元数据提取
Whisper 兼容格式转换

特性标志

该库使用特性标志来控制功能模块的启用：

stt: 启用语音转文本功能（默认启用）
tts: 启用文本转语音功能
audio: 启用音频处理功能（默认启用）
streaming: 启用实时流式处理（需要 stt）
cuda: 启用 CUDA GPU 加速（需要 stt）
vulkan: 启用 Vulkan GPU 加速（需要 stt）
metal: 启用 Metal GPU 加速（需要 stt）

系统要求

Rust: 1.70 或更高版本
FFmpeg: 用于音频处理
- macOS: brew install ffmpeg
- Ubuntu: sudo apt-get install ffmpeg
- Windows: 使用 vcpkg 安装
Whisper 模型: 需要下载 Whisper 模型文件（.bin 格式）

错误处理

该库使用统一的错误处理机制，所有函数都返回 Result<T, Error> 类型，其中 Error 是一个枚举类型，包含了所有可能的错误情况。

性能考虑

首次加载模型时会有一定的延迟
建议在长期运行的应用中复用模型实例
使用 GPU 加速可以显著提高处理速度
对于实时应用，建议使用流式处理功能

许可证

本项目采用 MIT 或 Apache 2.0 许可证。详情请参阅 LICENSE 文件。

贡献

欢迎提交 Issue 和 Pull Request！请参阅 CONTRIBUTING.md 了解详情。

更新日志

请参阅 CHANGELOG.md 了解版本更新详情。

voice-toolkit 0.16.0