1. 概述

企業常常需要從各種類型的音頻內容中提取有價值的數據，例如：將客戶支持通話轉錄用于情感分析、為視頻生成字幕，或整理會議紀要。然而，手動轉錄音頻文件既耗時又昂貴。

為了解決這一問題，OpenAI 提供了強大的語音轉文字模型，能夠準確地將多種語言的音頻文件轉錄為文本。

在本教程中，我們將學習如何使用 Spring AI 搭配 OpenAI 的語音轉文字模型來轉錄音頻文件。

要完成本教程，需要一個 OpenAI 的 API 密鑰。

---

2.項目搭建

在開始實現我們的音頻轉錄功能之前，我們需要引入必要的依賴項，并正確配置我們的應用程序。

2.1. 依賴項

我們首先需要在項目的?pom.xml?文件中添加 Spring AI 提供的 OpenAI Starter 依賴項：

<dependency><groupId>org.springframework.ai</groupId><artifactId>spring-ai-starter-model-openai</artifactId><version>1.0.0-M7</version>
</dependency>

由于當前版本 1.0.0-M7 是一個里程碑版本（Milestone Release），我們還需要在?pom.xml?中添加 Spring 的 Milestones 倉庫：

<repositories><repository><id>spring-milestones</id><name>Spring Milestones</name><url>https://repo.spring.io/milestone</url><snapshots><enabled>false</enabled></snapshots></repository>
</repositories>

該倉庫用于發布里程碑版本，而不是標準的 Maven Central 倉庫。

2.2. 配置 OpenAI 屬性

接下來，我們將在?application.yaml?文件中配置 OpenAI 的 API 密鑰和語音轉文字模型：

spring:ai:openai:api-key: ${OPENAI_API_KEY}audio:transcription:options:model: whisper-1language: en

在這里，我們通過模型 ?whisper-1?指定使用 OpenAI 的 Whisper 模型。需要注意的是,OpenAI還提供了更高級、質量更高的語音轉文字模型，如gpt-4o-transcribe?和?gpt-4o-mini-transcribe，

但當前版本的 Spring AI 尚不支持它們。

此外，我們還指定了音頻文件的語言為en(英語)。當然，也可以根據需求，使用 ISO-639-1 格式指定其他輸入語言。如果未指定語言，所選模型會自動嘗試識別音頻中的語言。

配置好上述屬性后，Spring AI 會自動創建一個類型為?

OpenAiAudioTranscriptionModel的Bean，使我們可以與所選模型進行交互。

---

3. 構建音頻轉錄器

配置完成后，我們將創建一個AudioTranscriber服務類。我們會注入 Spring AI 自動為我們創建的?OpenAiAudioTranscriptionModel?Bean。

但在此之前，先定義兩個簡單的?record?類型，用于表示請求和響應的數據結構：

record TranscriptionRequest(MultipartFile audioFile, @Nullable String context) {}record TranscriptionResponse(String transcription) {}

TranscriptionRequest?包含要轉錄的音頻文件?audioFile，以及一個可選的上下文context，用于幫助模型更好地完成轉錄過程。需要注意的是，OpenAI當前支持的音頻文件格式包括：mp3、mp4、mpeg、mpga、m4a、wav?和?webm。

同樣地，TranscriptionResponse?用于簡單地保存生成的轉錄文本。

現在，讓我們實現預期的功能：

TranscriptionResponse transcribe(TranscriptionRequest transcriptionRequest) {AudioTranscriptionPrompt prompt = new AudioTranscriptionPrompt(transcriptionRequest.audioFile().getResource(),OpenAiAudioTranscriptionOptions.builder().prompt(transcriptionRequest.context()).build());AudioTranscriptionResponse response = openAiAudioTranscriptionModel.call(prompt);return new TranscriptionResponse(response.getResult().getOutput());
}

在這里，我們為?AudioTranscriber?類添加了一個新的?transcribe()?方法。

我們使用音頻文件資源和可選的上下文提示，創建一個AudioTranscriptionPrompt對象。然后，通過它調用自動注入的?OpenAiAudioTranscriptionModel?Bean 的?call()?方法。

最后，我們從響應中提取轉錄后的文本，并將其包裝在?TranscriptionResponse?記錄類中返回。

目前，對于語音轉文字模型，音頻文件的大小限制為25MB。然而，Spring Boot 默認將上傳文件的大小限制為 1MB。我們可以在?

application.yaml?文件中增加這一限制：

spring:servlet:multipart:max-file-size: 25MBmax-request-size: 25MB

我們將最大文件大小和請求體大小都設置為25MB，這對于大多數音頻轉錄請求來說應該已經足夠。

4. 測試我們的音頻轉錄器

現在我們已經實現了服務層，接下來我們來基于它暴露一個

REST API 接口：

@PostMapping("/transcribe")
ResponseEntity<TranscriptionResponse> transcribe(@RequestParam("audioFile") MultipartFile audioFile,@RequestParam("context") String context
) {TranscriptionRequest transcriptionRequest = new TranscriptionRequest(audioFile, context);TranscriptionResponse response = audioTranscriber.transcribe(transcriptionRequest);return ResponseEntity.ok(response);
}

我們用HTTPie去調用接口

http?-f POST :8080/transcribe audioFile@××××-audio-description.mp3 context="Short description about Baeldung"

在這里，我們調用?/transcribe?API，發送音頻文件及其上下文信息。為了演示，我們準備了一個簡短的音頻文件，存放在代碼庫的

src/test/resources/audio?文件夾中。讓我們來看一下返回的響應內容：

{"transcription": "×××× is a top-notch educational platform that specializes in Java, Spring, and related technologies. It offers a wealth of tutorials, articles, and courses that help developers master programming concepts. Known for its clear examples and practical guides, Baeldung is a go-to resource for developers looking to level up their skills."
}

正如我們所見，API 返回了對所提供音頻文件的正確轉錄內容。

---

5. 總結

本文介紹了如何在 Spring AI 中使用 OpenAI 進行音頻文件轉錄。

我們詳細講解了所需的配置，并基于 OpenAI 的 Whisper 語音轉文字模型實現了一個音頻轉錄器。隨后，我們對應用進行了測試，展示了提供上下文提示如何提升轉錄的準確性。

關注我不迷路，系列化的給您提供當代程序員需要掌握的現代AI工具和框架