简介这份资源是一套面向Python开发者、语言学研究者及文化遗产保护工作者的完整项目实例围绕地方方言文化采集平台的设计与实现展开重点解决方言语音采集效率低、转写准确率不稳定、资料难以结构化管理等问题。内容涵盖音频采集与治理、语音活动检测、Whisper语音转写、方言词典增强、方言区域分类、FastAPI接口与人工复核协同机制并配套MySQL元数据存储与NiceGUI可视化前端形成从采集到检索分析的完整数字档案方案。资源包共1个docx文件约143KB以项目文档形式系统呈现项目背景、架构分层、数据库设计、API规范、前后端代码实现及部署方案目录结构清晰便于按模块查阅。目前已有71人学习下载适合希望将语音识别技术落地于非遗保护、高校方言语料研究或文旅公共服务场景的读者参考实践。1. 方言采集不是录音笔加表格语音识别平台要解决的是“采完就能用”做过田野调查的人都知道方言采集最痛的不是录不到音而是录完之后那堆 WAV 文件没人愿意整理。一个县跑下来几百条录音每条对应发音人、地点、词条、国际音标靠 Excel 手工对齐三天就崩溃。基于 Python 语音识别的地方方言文化采集平台核心思路是把“录音—转写—标注—入库—检索”串成一条流水线让采集端只管录后端自动出结构化数据。这个平台适合三类人做方言保护的语言学师生、需要批量整理口述史的文化机构、以及想练手 Python 语音识别加 GUI 加数据库完整链路的开发者。它不追求识别普通话那么准方言识别本来就要靠声学模型微调加人工校对兜底但“自动出初稿再人工改”比“从零听写”效率高一个量级。下面从技术选型讲到能跑起来的代码再到参数怎么调、坑在哪。2. 用 Python 搭方言采集平台语音识别、GUI 与数据库的选型逻辑2.1 为什么方言识别不能直接套普通话模型普通话声学模型在方言上的字错率会明显上升尤其是声调系统和韵母差异大的区域。常见做法是拿预训练模型做基座用几十小时标注方言数据做微调。如果数据量不够退而求其次用“普通话模型输出拼音序列 方言音系映射表”做后处理也能把可用率拉起来。选型上离线场景优先考虑FunASR或Vosk前者中文社区资料多后者轻量适合嵌入式采集终端。在线场景可以用各家云厂商的方言识别接口但要注意数据合规采集前必须拿到发音人授权。本文示例用SpeechRecognition库加Vosk本地引擎保证断网也能跑。2.2 采集端 GUI 用 Tkinter 还是 PyQt热词里 GUI 相关讨论很多python的图形界面gui编程是高频搜索。方言采集端界面不复杂录音按钮、波形显示、发音人信息表单、识别结果框。Tkinter 内置、打包体积小适合发给非技术调查员PyQt 控件丰富、波形图更好看但打包后上百 MB。我一般会这样选内部工具用 Tkinter要交付给文化馆长期用的用 PyQt5。下面给一个 Tkinter 最小录音加识别界面能直接跑。import tkinter as tk from tkinter import ttk, messagebox import sounddevice as sd import numpy as np import wave import json from vosk import Model, KaldiRecognizer SAMPLE_RATE 16000 DURATION 5 # 每次录音秒数 class DialectRecorder: def __init__(self, root): self.root root self.root.title(方言采集端) self.model Model(model/vosk-model-small-cn) # 本地模型路径 self.rec KaldiRecognizer(self.model, SAMPLE_RATE) self._build_ui() def _build_ui(self): ttk.Label(self.root, text发音人).grid(row0, column0) self.speaker ttk.Entry(self.root) self.speaker.grid(row0, column1) ttk.Label(self.root, text地点).grid(row1, column0) self.place ttk.Entry(self.root) self.place.grid(row1, column1) ttk.Button(self.root, text录音并识别, commandself.record).grid(row2, column0, columnspan2) self.result tk.Text(self.root, height8, width50) self.result.grid(row3, column0, columnspan2) def record(self): audio sd.rec(int(DURATION * SAMPLE_RATE), samplerateSAMPLE_RATE, channels1, dtypeint16) sd.wait() raw audio.tobytes() # 保存 WAV 便于人工复核 with wave.open(fdata/{self.speaker.get()}_{self.place.get()}.wav, wb) as wf: wf.setnchannels(1) wf.setsampwidth(2) wf.setframerate(SAMPLE_RATE) wf.writeframes(raw) self.rec.AcceptWaveform(raw) text json.loads(self.rec.Result()).get(text, ) self.result.insert(tk.END, f{self.speaker.get()} | {self.place.get()} | {text}\n) if __name__ __main__: root tk.Tk() DialectRecorder(root) root.mainloop()逻辑说明sounddevice.rec按 16kHz 单声道采集这是 Vosk 模型要求的输入格式KaldiRecognizer流式接收字节流Result()返回 JSON 文本。参数上DURATION控制单条录音长度方言词条一般 3 到 8 秒够用SAMPLE_RATE必须和模型训练采样率一致否则识别结果全是乱码。2.3 数据库表结构怎么设计才扛得住方言标注方言数据不是简单一条录音一条文本。一个词条可能有多个发音人、多条录音、多轮校对。用 SQLite 做单机采集够用多人协作换 PostgreSQL。核心表三张speaker发音人、recording录音、annotation标注。CREATE TABLE speaker ( id INTEGER PRIMARY KEY AUTOINCREMENT, name TEXT NOT NULL, age INTEGER, gender TEXT, dialect_point TEXT, -- 方言点如“某县某镇” consent INTEGER DEFAULT 0 -- 授权状态 ); CREATE TABLE recording ( id INTEGER PRIMARY KEY AUTOINCREMENT, speaker_id INTEGER REFERENCES speaker(id), word_item TEXT, -- 采集词条 file_path TEXT, duration REAL, created_at DATETIME DEFAULT CURRENT_TIMESTAMP ); CREATE TABLE annotation ( id INTEGER PRIMARY KEY AUTOINCREMENT, recording_id INTEGER REFERENCES recording(id), asr_text TEXT, -- 机器识别初稿 ipa_text TEXT, -- 国际音标 reviewer TEXT, status TEXT DEFAULT pending -- pending/confirmed );consent字段别省采集前没拿到授权后面全白干。status用来区分机器初稿和人工确认稿检索时只查confirmed才能保证学术可用。热词里数据库增删改查是基础操作这里查询按方言点和词条联合过滤SELECT s.dialect_point, r.word_item, a.ipa_text FROM annotation a JOIN recording r ON a.recording_id r.id JOIN speaker s ON r.speaker_id s.id WHERE s.dialect_point ? AND a.status confirmed;3. 把识别准确率拉上来方言语音识别的参数调优与后处理3.1 Vosk 模型替换与热词注入小模型vosk-model-small-cn只有几十 MB识别快但方言词错得多。换成vosk-model-cn-0.22大模型字错率能降一截代价是内存占用到 1GB 以上。更实用的做法是给识别器加词表约束把采集词条提前写进grammar。from vosk import Model, KaldiRecognizer, SetLogLevel SetLogLevel(-1) model Model(model/vosk-model-cn-0.22) # 只识别采集词条范围内的内容减少无关输出 grammar [吃饭, 下雨, 太阳, 外婆, 赶集] rec KaldiRecognizer(model, 16000, grammar)参数说明grammar是 JSON 数组字符串识别结果会被限制在这个集合内。适合词条固定的方言调查表场景自由对话采集不要用会丢内容。SetLogLevel(-1)关掉 Kaldi 的冗余日志GUI 里不刷屏。3.2 用拼音映射表做方言后处理普通话模型识别方言输出往往是“音近字错”。建一张方言音系到普通话的映射表对识别结果做替换。比如某方言把“吃饭”读成类似“呷饭”模型可能输出“甲饭”映射表里加一条甲饭 - 呷饭。import json with open(dialect_map.json, encodingutf-8) as f: mapping json.load(f) def post_process(text): for wrong, right in mapping.items(): text text.replace(wrong, right) return text # dialect_map.json 示例 # {甲饭: 呷饭, 落雨: 下雨, 日头: 太阳}逻辑说明映射表按方言点分开维护post_process在识别结果入库前调用。注意替换顺序长词优先避免“日头”被“头”的规则先命中。这张表是人工积累的采得越多越准属于平台的核心资产。3.3 女声识别为什么比男声更容易出错热词里女声语音识别为什么比男声更低讨论的是识别率。原因在声学特征女性基频高谐波间距大传统 MFCC 特征在高频段分辨率不足加上训练集里男声占比高模型对女声泛化差。方言采集里女性发音人不少应对办法有两个一是采集时让发音人离麦克风 15 到 20 厘米减少高频衰减二是微调模型时保证男女比例接近 1:1。如果没法微调至少把音频做预加重提升高频分量。import numpy as np def pre_emphasis(signal, coeff0.97): # 预加重补偿高频对女声识别有帮助 return np.append(signal[0], signal[1:] - coeff * signal[:-1])coeff一般取 0.95 到 0.97太高会放大噪声。这段处理放在写 WAV 之前对男女声都有益女声提升更明显。4. 采集平台落地批量导入、校对流程与打包分发4.1 批量导入历史录音并跑识别田野调查往往已经攒了一批 WAV平台要能批量处理。用glob扫目录逐条识别写库进度用tqdm显示。import glob, sqlite3, json, wave from tqdm import tqdm from vosk import Model, KaldiRecognizer conn sqlite3.connect(dialect.db) cur conn.cursor() model Model(model/vosk-model-cn-0.22) for wav_path in tqdm(glob.glob(raw_audio/*.wav)): wf wave.open(wav_path, rb) if wf.getframerate() ! 16000: continue # 采样率不符先跳过用 ffmpeg 转码 rec KaldiRecognizer(model, 16000) while True: data wf.readframes(4000) if not data: break rec.AcceptWaveform(data) text json.loads(rec.FinalResult()).get(text, ) cur.execute( INSERT INTO recording (speaker_id, word_item, file_path, duration) VALUES (?,?,?,?), (1, , wav_path, wf.getnframes() / 16000) ) rid cur.lastrowid cur.execute( INSERT INTO annotation (recording_id, asr_text, status) VALUES (?,?,?), (rid, text, pending) ) conn.commit()逻辑说明readframes(4000)分块喂给识别器避免一次性加载大文件。采样率不是 16kHz 的直接跳过先用ffmpeg -i in.wav -ar 16000 out.wav统一转码。status写pending等人工校对改成confirmed。4.2 校对界面的最小实现校对界面就一个列表加两个输入框左边显示机器初稿右边填国际音标点确认更新status。用 Tkinter 的Treeview加载pending记录。def load_pending(tree): for row in cur.execute( SELECT a.id, r.file_path, a.asr_text FROM annotation a JOIN recording r ON a.recording_id r.id WHERE a.statuspending ): tree.insert(, end, iidrow[0], values(row[1], row[2])) def confirm(ann_id, ipa): cur.execute(UPDATE annotation SET ipa_text?, statusconfirmed WHERE id?, (ipa, ann_id)) conn.commit()iid用标注 id确认时直接定位。校对完的记录不再出现在待办列表检索只查confirmed。4.3 用 PyInstaller 打包成免安装采集端调查员电脑不一定有 Python 环境用 PyInstaller 打包。注意 Vosk 模型文件要一起带上用--add-data指定。pyinstaller -F -w --add-data model/vosk-model-small-cn;model/vosk-model-small-cn recorder.py-F单文件-w不弹控制台。模型目录用分号分隔源和目标Windows 下分号Linux 下冒号。打包后体积会到几百 MB因为模型在里面。分发前在干净虚拟机上测一遍缺 DLL 是常见坑。5. 方言采集平台的检索、导出与长期维护技巧5.1 按方言点和词条做组合检索采集量上来后检索要支持方言点、词条、发音人性别、年龄段组合过滤。SQL 动态拼条件参数化防注入。def search(dialect_pointNone, wordNone, genderNone): sql (SELECT s.name, s.dialect_point, r.word_item, a.ipa_text FROM annotation a JOIN recording r ON a.recording_idr.id JOIN speaker s ON r.speaker_ids.id WHERE a.statusconfirmed) params [] if dialect_point: sql AND s.dialect_point?; params.append(dialect_point) if word: sql AND r.word_item LIKE ?; params.append(f%{word}%) if gender: sql AND s.gender?; params.append(gender) return cur.execute(sql, params).fetchall()LIKE用于词条模糊匹配方言点用精确匹配。数据量过万后给dialect_point和word_item建索引查询从秒级降到毫秒级。5.2 导出成语言学常用格式方言数据最终要给研究用导出 CSV 和 TextGrid 两种。CSV 给 Excel 和 RTextGrid 给 Praat 做声学分析。import csv def export_csv(path): rows search() with open(path, w, newline, encodingutf-8-sig) as f: writer csv.writer(f) writer.writerow([发音人, 方言点, 词条, 国际音标]) writer.writerows(rows)utf-8-sig带 BOMExcel 打开不乱码。TextGrid 导出按 Praat 的长文本格式拼字符串每条录音一个区间标注填ipa_text。5.3 数据库备份与多机同步的轻量方案单机 SQLite 直接复制.db文件就是备份但采集端多台机器时要做合并。常见做法是每台机器本地 SQLite定期导出增量 CSV中心库用INSERT OR IGNORE按recording.file_path去重合并。热词里数据库同步软件方案重方言采集这种低频写入场景脚本同步足够。# 每天收工后导出增量并合并到中心库 sqlite3 local.db .mode csv .output today.csv \ SELECT * FROM annotation WHERE date(created_at)date(now); sqlite3 center.db .import today.csv annotation_tmp sqlite3 center.db INSERT OR IGNORE INTO annotation SELECT * FROM annotation_tmp;注意annotation表要有唯一约束否则重复导入会翻倍。给recording_id加唯一索引合并时自动跳过已存在的记录。中心库每周做一次VACUUM回收删除空间保持查询速度。本文还有配套的精品资源点击获取
Python方言采集平台：语音识别、GUI与数据库全链路实战
简介这份资源是一套面向Python开发者、语言学研究者及文化遗产保护工作者的完整项目实例围绕地方方言文化采集平台的设计与实现展开重点解决方言语音采集效率低、转写准确率不稳定、资料难以结构化管理等问题。内容涵盖音频采集与治理、语音活动检测、Whisper语音转写、方言词典增强、方言区域分类、FastAPI接口与人工复核协同机制并配套MySQL元数据存储与NiceGUI可视化前端形成从采集到检索分析的完整数字档案方案。资源包共1个docx文件约143KB以项目文档形式系统呈现项目背景、架构分层、数据库设计、API规范、前后端代码实现及部署方案目录结构清晰便于按模块查阅。目前已有71人学习下载适合希望将语音识别技术落地于非遗保护、高校方言语料研究或文旅公共服务场景的读者参考实践。1. 方言采集不是录音笔加表格语音识别平台要解决的是“采完就能用”做过田野调查的人都知道方言采集最痛的不是录不到音而是录完之后那堆 WAV 文件没人愿意整理。一个县跑下来几百条录音每条对应发音人、地点、词条、国际音标靠 Excel 手工对齐三天就崩溃。基于 Python 语音识别的地方方言文化采集平台核心思路是把“录音—转写—标注—入库—检索”串成一条流水线让采集端只管录后端自动出结构化数据。这个平台适合三类人做方言保护的语言学师生、需要批量整理口述史的文化机构、以及想练手 Python 语音识别加 GUI 加数据库完整链路的开发者。它不追求识别普通话那么准方言识别本来就要靠声学模型微调加人工校对兜底但“自动出初稿再人工改”比“从零听写”效率高一个量级。下面从技术选型讲到能跑起来的代码再到参数怎么调、坑在哪。2. 用 Python 搭方言采集平台语音识别、GUI 与数据库的选型逻辑2.1 为什么方言识别不能直接套普通话模型普通话声学模型在方言上的字错率会明显上升尤其是声调系统和韵母差异大的区域。常见做法是拿预训练模型做基座用几十小时标注方言数据做微调。如果数据量不够退而求其次用“普通话模型输出拼音序列 方言音系映射表”做后处理也能把可用率拉起来。选型上离线场景优先考虑FunASR或Vosk前者中文社区资料多后者轻量适合嵌入式采集终端。在线场景可以用各家云厂商的方言识别接口但要注意数据合规采集前必须拿到发音人授权。本文示例用SpeechRecognition库加Vosk本地引擎保证断网也能跑。2.2 采集端 GUI 用 Tkinter 还是 PyQt热词里 GUI 相关讨论很多python的图形界面gui编程是高频搜索。方言采集端界面不复杂录音按钮、波形显示、发音人信息表单、识别结果框。Tkinter 内置、打包体积小适合发给非技术调查员PyQt 控件丰富、波形图更好看但打包后上百 MB。我一般会这样选内部工具用 Tkinter要交付给文化馆长期用的用 PyQt5。下面给一个 Tkinter 最小录音加识别界面能直接跑。import tkinter as tk from tkinter import ttk, messagebox import sounddevice as sd import numpy as np import wave import json from vosk import Model, KaldiRecognizer SAMPLE_RATE 16000 DURATION 5 # 每次录音秒数 class DialectRecorder: def __init__(self, root): self.root root self.root.title(方言采集端) self.model Model(model/vosk-model-small-cn) # 本地模型路径 self.rec KaldiRecognizer(self.model, SAMPLE_RATE) self._build_ui() def _build_ui(self): ttk.Label(self.root, text发音人).grid(row0, column0) self.speaker ttk.Entry(self.root) self.speaker.grid(row0, column1) ttk.Label(self.root, text地点).grid(row1, column0) self.place ttk.Entry(self.root) self.place.grid(row1, column1) ttk.Button(self.root, text录音并识别, commandself.record).grid(row2, column0, columnspan2) self.result tk.Text(self.root, height8, width50) self.result.grid(row3, column0, columnspan2) def record(self): audio sd.rec(int(DURATION * SAMPLE_RATE), samplerateSAMPLE_RATE, channels1, dtypeint16) sd.wait() raw audio.tobytes() # 保存 WAV 便于人工复核 with wave.open(fdata/{self.speaker.get()}_{self.place.get()}.wav, wb) as wf: wf.setnchannels(1) wf.setsampwidth(2) wf.setframerate(SAMPLE_RATE) wf.writeframes(raw) self.rec.AcceptWaveform(raw) text json.loads(self.rec.Result()).get(text, ) self.result.insert(tk.END, f{self.speaker.get()} | {self.place.get()} | {text}\n) if __name__ __main__: root tk.Tk() DialectRecorder(root) root.mainloop()逻辑说明sounddevice.rec按 16kHz 单声道采集这是 Vosk 模型要求的输入格式KaldiRecognizer流式接收字节流Result()返回 JSON 文本。参数上DURATION控制单条录音长度方言词条一般 3 到 8 秒够用SAMPLE_RATE必须和模型训练采样率一致否则识别结果全是乱码。2.3 数据库表结构怎么设计才扛得住方言标注方言数据不是简单一条录音一条文本。一个词条可能有多个发音人、多条录音、多轮校对。用 SQLite 做单机采集够用多人协作换 PostgreSQL。核心表三张speaker发音人、recording录音、annotation标注。CREATE TABLE speaker ( id INTEGER PRIMARY KEY AUTOINCREMENT, name TEXT NOT NULL, age INTEGER, gender TEXT, dialect_point TEXT, -- 方言点如“某县某镇” consent INTEGER DEFAULT 0 -- 授权状态 ); CREATE TABLE recording ( id INTEGER PRIMARY KEY AUTOINCREMENT, speaker_id INTEGER REFERENCES speaker(id), word_item TEXT, -- 采集词条 file_path TEXT, duration REAL, created_at DATETIME DEFAULT CURRENT_TIMESTAMP ); CREATE TABLE annotation ( id INTEGER PRIMARY KEY AUTOINCREMENT, recording_id INTEGER REFERENCES recording(id), asr_text TEXT, -- 机器识别初稿 ipa_text TEXT, -- 国际音标 reviewer TEXT, status TEXT DEFAULT pending -- pending/confirmed );consent字段别省采集前没拿到授权后面全白干。status用来区分机器初稿和人工确认稿检索时只查confirmed才能保证学术可用。热词里数据库增删改查是基础操作这里查询按方言点和词条联合过滤SELECT s.dialect_point, r.word_item, a.ipa_text FROM annotation a JOIN recording r ON a.recording_id r.id JOIN speaker s ON r.speaker_id s.id WHERE s.dialect_point ? AND a.status confirmed;3. 把识别准确率拉上来方言语音识别的参数调优与后处理3.1 Vosk 模型替换与热词注入小模型vosk-model-small-cn只有几十 MB识别快但方言词错得多。换成vosk-model-cn-0.22大模型字错率能降一截代价是内存占用到 1GB 以上。更实用的做法是给识别器加词表约束把采集词条提前写进grammar。from vosk import Model, KaldiRecognizer, SetLogLevel SetLogLevel(-1) model Model(model/vosk-model-cn-0.22) # 只识别采集词条范围内的内容减少无关输出 grammar [吃饭, 下雨, 太阳, 外婆, 赶集] rec KaldiRecognizer(model, 16000, grammar)参数说明grammar是 JSON 数组字符串识别结果会被限制在这个集合内。适合词条固定的方言调查表场景自由对话采集不要用会丢内容。SetLogLevel(-1)关掉 Kaldi 的冗余日志GUI 里不刷屏。3.2 用拼音映射表做方言后处理普通话模型识别方言输出往往是“音近字错”。建一张方言音系到普通话的映射表对识别结果做替换。比如某方言把“吃饭”读成类似“呷饭”模型可能输出“甲饭”映射表里加一条甲饭 - 呷饭。import json with open(dialect_map.json, encodingutf-8) as f: mapping json.load(f) def post_process(text): for wrong, right in mapping.items(): text text.replace(wrong, right) return text # dialect_map.json 示例 # {甲饭: 呷饭, 落雨: 下雨, 日头: 太阳}逻辑说明映射表按方言点分开维护post_process在识别结果入库前调用。注意替换顺序长词优先避免“日头”被“头”的规则先命中。这张表是人工积累的采得越多越准属于平台的核心资产。3.3 女声识别为什么比男声更容易出错热词里女声语音识别为什么比男声更低讨论的是识别率。原因在声学特征女性基频高谐波间距大传统 MFCC 特征在高频段分辨率不足加上训练集里男声占比高模型对女声泛化差。方言采集里女性发音人不少应对办法有两个一是采集时让发音人离麦克风 15 到 20 厘米减少高频衰减二是微调模型时保证男女比例接近 1:1。如果没法微调至少把音频做预加重提升高频分量。import numpy as np def pre_emphasis(signal, coeff0.97): # 预加重补偿高频对女声识别有帮助 return np.append(signal[0], signal[1:] - coeff * signal[:-1])coeff一般取 0.95 到 0.97太高会放大噪声。这段处理放在写 WAV 之前对男女声都有益女声提升更明显。4. 采集平台落地批量导入、校对流程与打包分发4.1 批量导入历史录音并跑识别田野调查往往已经攒了一批 WAV平台要能批量处理。用glob扫目录逐条识别写库进度用tqdm显示。import glob, sqlite3, json, wave from tqdm import tqdm from vosk import Model, KaldiRecognizer conn sqlite3.connect(dialect.db) cur conn.cursor() model Model(model/vosk-model-cn-0.22) for wav_path in tqdm(glob.glob(raw_audio/*.wav)): wf wave.open(wav_path, rb) if wf.getframerate() ! 16000: continue # 采样率不符先跳过用 ffmpeg 转码 rec KaldiRecognizer(model, 16000) while True: data wf.readframes(4000) if not data: break rec.AcceptWaveform(data) text json.loads(rec.FinalResult()).get(text, ) cur.execute( INSERT INTO recording (speaker_id, word_item, file_path, duration) VALUES (?,?,?,?), (1, , wav_path, wf.getnframes() / 16000) ) rid cur.lastrowid cur.execute( INSERT INTO annotation (recording_id, asr_text, status) VALUES (?,?,?), (rid, text, pending) ) conn.commit()逻辑说明readframes(4000)分块喂给识别器避免一次性加载大文件。采样率不是 16kHz 的直接跳过先用ffmpeg -i in.wav -ar 16000 out.wav统一转码。status写pending等人工校对改成confirmed。4.2 校对界面的最小实现校对界面就一个列表加两个输入框左边显示机器初稿右边填国际音标点确认更新status。用 Tkinter 的Treeview加载pending记录。def load_pending(tree): for row in cur.execute( SELECT a.id, r.file_path, a.asr_text FROM annotation a JOIN recording r ON a.recording_id r.id WHERE a.statuspending ): tree.insert(, end, iidrow[0], values(row[1], row[2])) def confirm(ann_id, ipa): cur.execute(UPDATE annotation SET ipa_text?, statusconfirmed WHERE id?, (ipa, ann_id)) conn.commit()iid用标注 id确认时直接定位。校对完的记录不再出现在待办列表检索只查confirmed。4.3 用 PyInstaller 打包成免安装采集端调查员电脑不一定有 Python 环境用 PyInstaller 打包。注意 Vosk 模型文件要一起带上用--add-data指定。pyinstaller -F -w --add-data model/vosk-model-small-cn;model/vosk-model-small-cn recorder.py-F单文件-w不弹控制台。模型目录用分号分隔源和目标Windows 下分号Linux 下冒号。打包后体积会到几百 MB因为模型在里面。分发前在干净虚拟机上测一遍缺 DLL 是常见坑。5. 方言采集平台的检索、导出与长期维护技巧5.1 按方言点和词条做组合检索采集量上来后检索要支持方言点、词条、发音人性别、年龄段组合过滤。SQL 动态拼条件参数化防注入。def search(dialect_pointNone, wordNone, genderNone): sql (SELECT s.name, s.dialect_point, r.word_item, a.ipa_text FROM annotation a JOIN recording r ON a.recording_idr.id JOIN speaker s ON r.speaker_ids.id WHERE a.statusconfirmed) params [] if dialect_point: sql AND s.dialect_point?; params.append(dialect_point) if word: sql AND r.word_item LIKE ?; params.append(f%{word}%) if gender: sql AND s.gender?; params.append(gender) return cur.execute(sql, params).fetchall()LIKE用于词条模糊匹配方言点用精确匹配。数据量过万后给dialect_point和word_item建索引查询从秒级降到毫秒级。5.2 导出成语言学常用格式方言数据最终要给研究用导出 CSV 和 TextGrid 两种。CSV 给 Excel 和 RTextGrid 给 Praat 做声学分析。import csv def export_csv(path): rows search() with open(path, w, newline, encodingutf-8-sig) as f: writer csv.writer(f) writer.writerow([发音人, 方言点, 词条, 国际音标]) writer.writerows(rows)utf-8-sig带 BOMExcel 打开不乱码。TextGrid 导出按 Praat 的长文本格式拼字符串每条录音一个区间标注填ipa_text。5.3 数据库备份与多机同步的轻量方案单机 SQLite 直接复制.db文件就是备份但采集端多台机器时要做合并。常见做法是每台机器本地 SQLite定期导出增量 CSV中心库用INSERT OR IGNORE按recording.file_path去重合并。热词里数据库同步软件方案重方言采集这种低频写入场景脚本同步足够。# 每天收工后导出增量并合并到中心库 sqlite3 local.db .mode csv .output today.csv \ SELECT * FROM annotation WHERE date(created_at)date(now); sqlite3 center.db .import today.csv annotation_tmp sqlite3 center.db INSERT OR IGNORE INTO annotation SELECT * FROM annotation_tmp;注意annotation表要有唯一约束否则重复导入会翻倍。给recording_id加唯一索引合并时自动跳过已存在的记录。中心库每周做一次VACUUM回收删除空间保持查询速度。本文还有配套的精品资源点击获取