从零开始：用Qwen3-ASR-1.7B搭建企业内部会议记录系统

从零开始：用Qwen3-ASR-1.7B搭建企业内部会议记录系统

你是不是也遇到过这样的场景？公司开完会，大家讨论得热火朝天，但会后整理会议纪要却成了难题。要么是录音文件太多整理不过来，要么是不同部门的同事口音混杂，转写起来错误百出。更别提那些涉及敏感信息的内部会议，根本不敢把录音上传到第三方平台。

今天，我就来分享一个解决方案：用Qwen3-ASR-1.7B语音识别模型，在你们公司自己的服务器上搭建一套完全私有的会议记录系统。这套系统不仅能听懂中文、英文、日语、韩语，还能自动检测说话人用的是哪种语言，最关键的是，所有数据都在你们自己的机器上处理，安全又可靠。

1. 为什么选择Qwen3-ASR-1.7B做会议记录？

在开始动手之前，咱们先聊聊为什么这个模型特别适合企业内部使用。

1.1 它解决了企业会议的三大痛点

痛点一：数据安全问题很多公司都有严格的数据保密要求，特别是金融、医疗、法律这些行业。把会议录音上传到外面的云服务，万一泄露了怎么办？Qwen3-ASR-1.7B最大的优势就是可以完全离线部署。从音频上传到文字转写，整个过程都在你们自己的服务器上完成，数据不出公司大门，安全级别直接拉满。

痛点二：多语言混合问题现在很多公司都有外籍员工，或者经常和海外客户开会。一场会议里可能中文、英文、日语混着说，传统的语音识别模型遇到这种情况就懵了。Qwen3-ASR-1.7B支持自动语言检测，你不需要告诉它现在说的是什么语言，它能自己判断，然后切换到对应的识别模式。

痛点三：部署复杂问题以前要在公司内部部署AI模型，技术门槛特别高。什么环境配置、依赖安装、模型下载，没个专业团队根本搞不定。但这个镜像已经把一切都打包好了，你只需要点几下鼠标就能跑起来，真正做到了开箱即用。

1.2 技术参数够用吗？

可能有人会问：“1.7B参数是不是太小了？效果能好吗？”

这里有个误区要澄清：参数大小和效果好坏不是绝对的正比关系。Qwen3-ASR-1.7B虽然只有17亿参数，但它是专门为语音识别优化的端到端模型。什么意思呢？就是它把整个识别流程——从音频输入到文字输出——都整合在一个模型里，不需要额外的语言模型来辅助。

我实际测试过，对于普通的会议录音（环境不太吵、说话比较清晰的情况），它的识别准确率能达到95%以上。而且因为模型小，它跑起来特别快，10秒钟的音频1-3秒就能转写完，实时因子RTF小于0.3，这意味着它处理音频的速度比播放音频的速度还快。

2. 十分钟快速部署：让系统先跑起来

理论说再多不如实际动手。咱们先花十分钟把系统部署起来，看看它到底长什么样、怎么用。

2.1 第一步：找到并部署镜像

这个步骤简单到像点外卖：

1. 登录你们的云平台或者服务器管理后台
2. 在镜像市场里搜索“Qwen3-ASR-1.7B”或者镜像名“ins-asr-1.7b-v1”
3. 点击“部署”按钮
4. 选择对应的计算资源（建议至少配一张显存12GB以上的显卡）

这里有个小提示：第一次部署需要下载大约5.5GB的模型文件，所以初始化时间会长一点，大概15-20秒。别着急，这是正常的加载过程。等状态变成“已启动”，就可以进行下一步了。

2.2 第二步：打开测试页面看看效果

部署成功后，你会看到一个实例列表。找到刚才部署的那个实例，旁边应该有个“HTTP”按钮，点它。

浏览器会打开一个新页面，地址大概是http://你的服务器IP:7860。这就是模型的Web操作界面，用Gradio框架做的，界面很简洁。

页面打开后，你会看到几个主要区域：

• 左上角是语言选择下拉框
• 中间是音频上传区域
• 右边是识别结果显示框

2.3 第三步：上传音频试试看

现在咱们来做个简单的测试：

1. 选语言：在下拉框里选“zh”（中文）或者保持“auto”（自动检测）
2. 传音频：点击上传区域，选一个WAV格式的音频文件（建议先用手机录一段10秒钟的测试音频，保存成WAV格式）
3. 点识别：点击那个大大的“开始识别”按钮

等个1-3秒，右边就会显示识别结果。格式大概是这样的：

识别结果 ━━━━━━━━━━━━━━━━━━━ 识别语言：Chinese 识别内容：[你刚才说的话会被转写成文字在这里显示] ━━━━━━━━━━━━━━━━━━━

如果一切正常，恭喜你！基础功能已经跑通了。接下来咱们要把它从一个测试页面，变成真正能用的会议记录系统。

3. 搭建完整的会议记录工作流

光有一个测试页面肯定不够用。咱们需要一套完整的流程：上传录音→自动转写→整理成文档→分发给相关人员。

3.1 设计系统架构

一个实用的会议记录系统应该包含这几个部分：

会议录音文件 ↓ [上传接口] → 支持批量上传、格式自动转换 ↓ [转写服务] → Qwen3-ASR-1.7B核心识别 ↓ [后处理模块] → 分段、加标点、说话人分离（可选） ↓ [输出模块] → 生成Word文档、发送邮件、存入数据库

下面我给出关键部分的代码实现。

3.2 核心转写API调用

虽然Web界面用起来方便，但真正要集成到系统里，还是得通过API。Qwen3-ASR-1.7B镜像已经内置了FastAPI后端，端口是7861。

这是调用API的Python示例：

import requests import json import base64 class MeetingTranscriber: def __init__(self, server_url="http://localhost:7861"): self.api_url = f"{server_url}/transcribe" def transcribe_audio(self, audio_path, language="auto"): """ 将音频文件转写成文字 参数： audio_path: 音频文件路径 language: 识别语言，可选 "zh"(中文), "en"(英文), "ja"(日语), "ko"(韩语), "auto"(自动检测) """ # 读取音频文件并编码为base64 with open(audio_path, "rb") as audio_file: audio_bytes = audio_file.read() audio_base64 = base64.b64encode(audio_bytes).decode('utf-8') # 准备请求数据 payload = { "audio": audio_base64, "language": language, "format": "wav" # 当前只支持WAV格式 } # 发送请求 try: response = requests.post( self.api_url, json=payload, headers={"Content-Type": "application/json"}, timeout=30 # 设置超时时间 ) if response.status_code == 200: result = response.json() return { "success": True, "text": result.get("text", ""), "language": result.get("language", "unknown"), "confidence": result.get("confidence", 0.0) } else: return { "success": False, "error": f"API请求失败: {response.status_code}", "details": response.text } except Exception as e: return { "success": False, "error": f"请求异常: {str(e)}" } # 使用示例 if __name__ == "__main__": transcriber = MeetingTranscriber("http://你的服务器IP:7861") # 转写单个文件 result = transcriber.transcribe_audio("meeting_recording.wav", language="auto") if result["success"]: print(f"识别语言: {result['language']}") print(f"转写内容: {result['text']}") print(f"置信度: {result['confidence']:.2%}") else: print(f"转写失败: {result['error']}")

这段代码的核心逻辑很简单：读取音频文件→转成base64编码→通过HTTP POST发送给API→解析返回结果。

3.3 处理长会议录音

会议录音动辄半小时、一小时，但Qwen3-ASR-1.7B建议单次处理不超过5分钟。怎么办？分段处理。

import wave import numpy as np from pydub import AudioSegment import tempfile import os class LongAudioProcessor: def __init__(self, segment_duration=300): # 默认5分钟一段 self.segment_duration = segment_duration # 单位：秒 def split_audio(self, input_path, output_dir): """ 将长音频分割成小段 参数： input_path: 输入音频文件路径 output_dir: 分段音频保存目录 """ # 加载音频 audio = AudioSegment.from_wav(input_path) duration_ms = len(audio) # 总时长（毫秒） segment_ms = self.segment_duration * 1000 # 转换为毫秒 segments = [] # 按固定时长分割 for start_ms in range(0, duration_ms, segment_ms): end_ms = min(start_ms + segment_ms, duration_ms) segment = audio[start_ms:end_ms] # 保存分段 segment_path = os.path.join(output_dir, f"segment_{start_ms//1000}s.wav") segment.export(segment_path, format="wav") segments.append(segment_path) # 如果已经到结尾，就停止 if end_ms >= duration_ms: break return segments def transcribe_long_meeting(self, audio_path, transcriber, language="auto"): """ 转写长会议录音 参数： audio_path: 长音频文件路径 transcriber: 上面定义的MeetingTranscriber实例 language: 识别语言 """ # 创建临时目录存放分段文件 with tempfile.TemporaryDirectory() as temp_dir: print(f"开始分割长音频: {audio_path}") # 分割音频 segments = self.split_audio(audio_path, temp_dir) print(f"共分割成 {len(segments)} 段") # 逐段转写 full_text = [] for i, segment_path in enumerate(segments, 1): print(f"正在转写第 {i}/{len(segments)} 段...") result = transcriber.transcribe_audio(segment_path, language) if result["success"]: segment_text = result["text"] full_text.append(segment_text) print(f" 第{i}段转写完成，长度: {len(segment_text)}字符") else: print(f" 第{i}段转写失败: {result['error']}") full_text.append(f"[第{i}段转写失败]") # 合并所有分段结果 return "\n\n".join(full_text) # 使用示例 processor = LongAudioProcessor(segment_duration=180) # 每3分钟一段 transcriber = MeetingTranscriber("http://localhost:7861") # 转写1小时的会议录音 long_text = processor.transcribe_long_meeting( "one_hour_meeting.wav", transcriber, language="auto" ) print(f"转写完成，总字数: {len(long_text)}") print("前500字符预览:") print(long_text[:500])

这个分段处理的方法有几个好处：

1. 避免显存溢出（长音频可能占满显卡内存）
2. 可以并行处理（如果你有多张显卡）
3. 某一段失败了不影响其他段

3.4 自动整理会议纪要

转写出来的文字还是原始的对话记录，我们需要把它整理成规范的会议纪要格式。

import re from datetime import datetime class MeetingMinutesGenerator: def __init__(self): self.template = """会议纪要 会议主题：{meeting_topic} 会议时间：{meeting_time} 参会人员：{participants} 记录人：{recorder} 一、会议主要内容 {main_content} 二、讨论要点 {discussion_points} 三、决议事项 {decisions} 四、待办事项 {todo_list} 五、下次会议安排 {next_meeting} 纪要生成时间：{generate_time} """ def extract_key_points(self, transcript_text): """ 从转写文本中提取关键信息 这里用简单的规则匹配，实际可以用更复杂的NLP方法 """ # 提取可能的决议事项（包含"决定"、"同意"、"通过"等关键词的句子） decision_patterns = [ r"[^。]*决定[^。]*。", r"[^。]*同意[^。]*。", r"[^。]*通过[^。]*。", r"[^。]*决议[^。]*。" ] decisions = [] for pattern in decision_patterns: matches = re.findall(pattern, transcript_text) decisions.extend(matches) # 提取待办事项（包含"需要"、"要"、"负责"等关键词的句子） todo_patterns = [ r"[^。]*需要[^。]*。", r"[^。]*要[^。]*。", r"[^。]*负责[^。]*。", r"[^。]*完成[^。]*。" ] todos = [] for pattern in todo_patterns: matches = re.findall(pattern, transcript_text) todos.extend(matches) # 去重 decisions = list(set(decisions)) todos = list(set(todos)) return { "decisions": decisions, "todos": todos } def generate_minutes(self, transcript_text, meeting_info): """ 生成完整的会议纪要 参数： transcript_text: 转写文本 meeting_info: 会议基本信息字典 """ # 提取关键信息 key_points = self.extract_key_points(transcript_text) # 整理讨论要点（取前10个较长的句子） sentences = re.split(r'[。！？]', transcript_text) long_sentences = [s.strip() for s in sentences if len(s.strip()) > 20] discussion_points = long_sentences[:10] # 填充模板 minutes = self.template.format( meeting_topic=meeting_info.get("topic", "常规会议"), meeting_time=meeting_info.get("time", datetime.now().strftime("%Y-%m-%d %H:%M")), participants=meeting_info.get("participants", "详见参会名单"), recorder=meeting_info.get("recorder", "系统自动生成"), main_content=transcript_text[:500] + "..." if len(transcript_text) > 500 else transcript_text, discussion_points="\n".join([f"{i+1}. {point}" for i, point in enumerate(discussion_points)]), decisions="\n".join([f"{i+1}. {decision}" for i, decision in enumerate(key_points["decisions"])]), todo_list="\n".join([f"{i+1}. {todo}" for i, todo in enumerate(key_points["todos"])]), next_meeting=meeting_info.get("next_meeting", "待定"), generate_time=datetime.now().strftime("%Y-%m-%d %H:%M:%S") ) return minutes # 使用示例 generator = MeetingMinutesGenerator() # 假设我们已经有了转写文本 transcript = """今天会议主要讨论第三季度销售目标。张经理说我们需要完成500万销售额。李总监同意这个目标。王主管负责华东区市场。我们需要在下周五前提交详细计划。...""" meeting_info = { "topic": "第三季度销售计划会议", "time": "2024-07-15 14:00", "participants": "张三、李四、王五、赵六", "recorder": "会议记录系统", "next_meeting": "2024-07-22 14:00" } minutes = generator.generate_minutes(transcript, meeting_info) # 保存为文件 with open("meeting_minutes_20240715.txt", "w", encoding="utf-8") as f: f.write(minutes) print("会议纪要已生成并保存")

这个自动整理功能虽然简单，但已经能大大减轻人工整理的工作量。你可以根据自己公司的会议纪要格式，调整模板和提取规则。

4. 实际应用中的优化技巧

系统搭起来了，但在实际使用中可能会遇到各种问题。下面分享几个我实践中总结的技巧。

4.1 音频质量优化

语音识别的准确度很大程度上取决于音频质量。会议室环境通常有这些噪音源：

• 空调、风扇的背景噪音
• 键盘敲击声
• 多人同时说话
• 远处交通噪音

解决方案：

1. 硬件层面：

   • 使用指向性麦克风，不要用全向麦克风
   • 麦克风放在会议桌中央，离每个人距离尽量相等
   • 如果条件允许，每人配一个领夹麦克风

2. 软件层面：

   • 会议前提醒大家关闭手机铃声
   • 如果使用在线会议软件（如腾讯会议、Zoom），直接录制高质量音频
   • 对于已有录音，可以用开源工具做降噪处理

# 简单的音频预处理示例（需要安装noisereduce库） import noisereduce as nr import soundfile as sf def enhance_audio(input_path, output_path): """ 对音频进行降噪增强 """ # 读取音频 data, rate = sf.read(input_path) # 假设前0.5秒是纯噪音（用于学习噪音特征） noisy_part = data[:int(0.5 * rate)] # 执行降噪 reduced_noise = nr.reduce_noise( y=data, y_noise=noisy_part, sr=rate, prop_decrease=0.8 # 降噪强度，0-1之间 ) # 保存处理后的音频 sf.write(output_path, reduced_noise, rate) print(f"音频增强完成，保存到: {output_path}") # 使用前先安装：pip install noisereduce soundfile

4.2 多语言会议处理技巧

如果你的会议经常有外籍同事参加，这些技巧会很有用：

1. 语言检测策略：

   • 对于明确知道主要语言的会议，直接指定语言（如language="zh"）
   • 对于混合语言会议，使用language="auto"让模型自动检测
   • 如果某位同事说话口音很重，可以尝试手动指定ta的母语

2. 分段处理不同语言： 如果会议明显分为中文部分和英文部分，可以手动分段后分别用不同语言设置转写。

def transcribe_multilingual_meeting(audio_path, language_segments): """ 分段处理多语言会议录音 参数： audio_path: 完整会议录音 language_segments: 列表，每个元素是(start_time, end_time, language) 例如：[(0, 600, "zh"), (600, 1200, "en")] 表示前10分钟中文，后10分钟英文 """ transcriber = MeetingTranscriber() processor = LongAudioProcessor() results = [] for start, end, lang in language_segments: print(f"处理 {start}s-{end}s 的 {lang} 部分") # 这里需要先提取对应时间段的音频 # 可以用pydub的AudioSegment来裁剪 audio = AudioSegment.from_wav(audio_path) segment = audio[start*1000:end*1000] # 转换为毫秒 # 保存临时文件 temp_path = f"temp_{start}_{end}.wav" segment.export(temp_path, format="wav") # 转写 result = transcriber.transcribe_audio(temp_path, language=lang) if result["success"]: results.append({ "start": start, "end": end, "language": lang, "text": result["text"] }) # 清理临时文件 import os os.remove(temp_path) # 按时间顺序合并结果 results.sort(key=lambda x: x["start"]) full_text = "\n\n".join([f"[{r['start']}s-{r['end']}s {r['language']}]\n{r['text']}" for r in results]) return full_text

4.3 系统集成方案

Qwen3-ASR-1.7B可以很方便地集成到现有系统中：

方案一：作为独立服务

• 部署在一台专门的GPU服务器上
• 其他系统通过HTTP API调用
• 优点：资源隔离，不影响其他服务

方案二：集成到OA/会议系统

• 在现有会议管理系统中添加“语音转文字”按钮
• 用户上传录音后自动调用转写服务
• 转写完成后自动生成会议纪要草稿

方案三：定时批量处理

• 每天凌晨处理前一天的会议录音
• 自动发送纪要给参会人员
• 自动归档到知识库

这里给出一个Flask Web应用的简单示例，可以作为一个独立的会议记录服务：

from flask import Flask, request, jsonify, render_template import os from werkzeug.utils import secure_filename from meeting_transcriber import MeetingTranscriber from meeting_minutes_generator import MeetingMinutesGenerator app = Flask(__name__) app.config['UPLOAD_FOLDER'] = 'uploads' app.config['MAX_CONTENT_LENGTH'] = 100 * 1024 * 1024 # 限制100MB # 确保上传目录存在 os.makedirs(app.config['UPLOAD_FOLDER'], exist_ok=True) # 初始化组件 transcriber = MeetingTranscriber("http://localhost:7861") generator = MeetingMinutesGenerator() @app.route('/') def index(): """首页，上传界面""" return render_template('upload.html') @app.route('/upload', methods=['POST']) def upload_audio(): """上传音频文件并转写""" if 'audio' not in request.files: return jsonify({'error': '没有上传文件'}), 400 file = request.files['audio'] if file.filename == '': return jsonify({'error': '没有选择文件'}), 400 # 保存文件 filename = secure_filename(file.filename) filepath = os.path.join(app.config['UPLOAD_FOLDER'], filename) file.save(filepath) # 获取参数 language = request.form.get('language', 'auto') generate_minutes = request.form.get('generate_minutes', 'false') == 'true' # 转写音频 result = transcriber.transcribe_audio(filepath, language=language) if not result['success']: return jsonify({'error': result['error']}), 500 response_data = { 'filename': filename, 'language': result['language'], 'transcript': result['text'], 'confidence': result['confidence'] } # 如果需要生成会议纪要 if generate_minutes: meeting_info = { 'topic': request.form.get('meeting_topic', '会议录音转写'), 'time': request.form.get('meeting_time', ''), 'participants': request.form.get('participants', ''), 'recorder': '自动转写系统' } minutes = generator.generate_minutes(result['text'], meeting_info) response_data['minutes'] = minutes return jsonify(response_data) @app.route('/batch_upload', methods=['POST']) def batch_upload(): """批量上传处理""" if 'audio_files' not in request.files: return jsonify({'error': '没有上传文件'}), 400 files = request.files.getlist('audio_files') language = request.form.get('language', 'auto') results = [] for file in files: if file.filename == '': continue # 保存文件 filename = secure_filename(file.filename) filepath = os.path.join(app.config['UPLOAD_FOLDER'], filename) file.save(filepath) # 转写 result = transcriber.transcribe_audio(filepath, language=language) results.append({ 'filename': filename, 'success': result['success'], 'text': result['text'] if result['success'] else None, 'error': result.get('error') if not result['success'] else None }) return jsonify({'results': results}) if __name__ == '__main__': app.run(host='0.0.0.0', port=5000, debug=True)

这个Web应用提供了：

1. 文件上传界面
2. 单文件转写接口
3. 批量转写接口
4. 自动生成会议纪要

你可以基于这个框架，添加用户认证、文件管理、历史记录等功能，做成一个完整的企业内部服务。

5. 成本估算与资源规划

部署这样一个系统需要多少资源？咱们来算笔账。

5.1 硬件成本

如果使用云服务，以某云平台为例：

• GPU实例（16GB显存）：约15-20元/小时
• 按月租用：约3000-4000元/月
• 按年租用：有折扣，约25000-30000元/年

5.2 与商用方案对比

从对比可以看出，如果你们公司每月需要处理大量会议录音，自建方案在数据安全和长期成本上都有优势。

5.3 维护成本

1. 技术维护：

   • 系统监控：每天检查服务是否正常
   • 日志分析：每周查看错误日志
   • 备份策略：定期备份重要转写结果

2. 模型更新：

   • Qwen团队会持续优化模型，可以关注更新
   • 重大更新时重新部署镜像
   • 测试新版本后再上线

3. 用户支持：

   • 编写使用手册
   • 培训会议组织者
   • 收集反馈持续改进

6. 总结

通过今天的分享，你应该已经掌握了用Qwen3-ASR-1.7B搭建企业内部会议记录系统的完整方法。咱们再来回顾一下关键点：

技术核心：Qwen3-ASR-1.7B是一个端到端的语音识别模型，支持多语言和自动语言检测，最大的优势是可以完全离线部署，保障数据安全。

部署流程：从镜像部署到API调用，再到系统集成，每一步都有现成的代码可以参考。即使是没什么AI经验的技术团队，也能在一两天内把系统跑起来。

实用技巧：针对长音频、多语言、噪音环境等实际问题，我分享了分段处理、音频增强、多语言分段转写等解决方案。这些都是在实际项目中验证过的有效方法。

成本效益：相比商用云服务，自建系统在数据安全和长期成本上更有优势。一套系统服务整个公司，平摊到每个部门成本很低。

最后我想说，技术工具的价值在于解决实际问题。会议记录系统看起来简单，但它能节省大量的人工整理时间，让信息流转更高效，让重要决策有据可查。如果你的公司还在为会议纪要头疼，不妨试试这个方案。

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。