↓跳过正文
学锋 xuefeng
  1. 我的项目/

Obsidian插件-声音转文字

·3 分钟· loading · loading · ·
Obsidian插件 AI编程 OpenAI API
目录

Obsidian插件-声音转文字
#

产品名称(中)语音转文字
产品名称(En)Voice2Text
产品简介Voice2Text是一款接入OpenAI 模型的语音转文字插件，支持录音及暂停、语音转文字、录音文件保存等。与 Obsidian 集成，帮助用户记录方便通过录音转文字记录日记等。
产品类型Obsidian 插件
Githubhttps://github.com/Alllen66/obsidian-voice2text
产品安装Obsidian > 点击浏览社区插件 > 搜索 “Voice to Text”
AI 编程软件清单
Cursor
开发时长11.5 天
开发日期2025/04/04

项目背景
#

为什么想开发？
#

声音输出的效率比文字高，而且能保留比文字更多的信息，比如音色、情绪、现场等。但是声音的输出效率又文字低，对于受众，阅读比听力更快，而且文字更方便未来的分析、总结、复盘等。 因此，我需要一个"声音+文字"结合的笔记系统。用声音来输入，支持存档，支持转译成文字。这样既完全地记录了个体某个时刻的生活状态，又方便于未来的分享与使用。

为什么要开发？
#

市场上的产品无法满足需求吗？为什么要重新开发？ 声音转文字已经是非常成熟的技术，大体上市场上主要分为两种产品：一种是输入法产品，比如苹果手机自带输入法就支持语音输入；一种是笔记产品里的功能，比如 Flomo 手机版就新推出了AI 语音笔记功能。 输入法产品不是我寻求的功能，正如需求所言，保存录音是重要的需求；其次是市场上的语音识别做得不好，当前 LLM 的语音技术更加成熟，而且API 调用非常方便且便宜。 Flomo 手机版的语音 AI 转译正是我想要的功能，也说明了该需求在笔记场景的真实性。Flomo 当前产品未能满足我以下需求：1. 不支持电脑版，而电脑记笔记是我的核心场景，语音转译后我需要二次编辑，电脑才是更适合的工具；2. 不支持暂停，语音输入经常会卡壳，不支持暂停就会变成多条笔记，体验很差；3. 最后也是重要的，我已经把个人知识库迁移至 Obsidian，而 Obsidian 没有这个插件。(后续会出一个系列说明 Obsidian 构建个人知识库的好处) 正如《穷查理宝典》所言，小红母鸡说：“那么我就自己来做吧。” Then I’ll do it myself.

实战步骤
#

零编程开发网页插件：怎么做？
#

第一步，明确功能需求
#

基于项目的背景信息，首先列出大致的产品需求：

  • 开发一款 Obsidian 插件
  • 支持在笔记编辑时录音
  • 录音支持暂停、取消与保存
  • 保存后支持对录音进行 AI 转译
  • 支持保存转译后的文字 也可以通过与AI 助手交流，提示词可以遵循 RGIA 原则：
- Role 角色：指定 AI 的角色
- Goal 目标：陈述目要完成的事情或目标
- Input 输入：描述背景信息或提供输入数据
- Attention 备注：提供约束条件或注意事项

示例如下：

确定需求后，再让 AI 助手生成一段提示词，用于 Cursor 进行开发。

# Obsidian 录音与 AI 转译插件开发提示

请开发一个 Obsidian 插件，具备录音和 AI 语音转文字功能，满足以下需求：

## 核心功能

1. **录音功能**
    
    - 通过快捷键（默认 `Ctrl+Alt+R`）和界面按钮启动/停止录音
    - 支持无时长限制的录音
    - 提供暂停/继续功能
    - 录音状态可视化指示器（如小图标显示录音中状态）
2. **AI 转译功能**
    
    - 默认使用 OpenAI Whisper API
    - 支持扩展其他 AI 服务（如 Google Speech-to-Text、Azure Speech Service）
    - 转译完成后直接将文本插入当前光标位置的笔记中
3. **文本格式与处理**
    
    - 自动在转录文本前添加时间戳标题：`## 录音记录 [YYYY-MM-DD HH:MM]`
    - 转录结束添加小标记：`[由AI转录]`
    - 长文本自动分段处理
    - 在文本中添加录音文件的链接
4. **录音文件存储**
    
    - 永久保存录音文件到指定文件夹
    - 默认保存在 Obsidian 库内的 "recordings" 文件夹
    - 文件命名格式：`YYYY-MM-DD_HH-MM-SS.mp3`
    - 在转录文本中插入指向录音文件的链接

## 技术实现要点

1. **插件结构**
    
    - 使用 Obsidian 插件 API
    - 模块化设计：录音模块、API连接模块、设置模块、存储模块分离
2. **录音实现**
    
    - 使用 Web Audio API 实现浏览器内录音
    - 录音数据保存为音频文件（优先 mp3 格式，节省空间）
    - 支持常见音频格式（如 mp3、wav）
3. **API 连接**
    
    - 实现对 OpenAI Whisper API 的调用
    - 支持用户配置自己的 API 密钥
    - 使用队列处理可能的并发请求
4. **用户界面**
    
    - 提供设置面板配置 API 密钥、默认语言等
    - 状态栏指示器显示录音状态和转录进度
    - 提供简洁的录音控制按钮（开始/暂停/停止）
5. **文件存储管理**
    
    - 使用 Obsidian 文件 API 管理录音文件
    - 创建并检查存储文件夹是否存在
    - 生成内部链接格式以便在笔记中引用录音
6. **安全与隐私**
    
    - 明确的用户数据使用声明
    - 音频数据仅存储在用户指定位置
    - 不收集用户录音内容到插件开发者处

## 设置选项

1. 快捷键自定义
2. API 提供商选择与配置
3. 默认语言设置（中文/英文）
4. 转录质量选择（标准/高质量）
5. 文本插入格式选项
6. **录音文件存储路径配置**
    - 支持相对路径（相对于 Obsidian 库）
    - 支持绝对路径（系统文件路径）
7. **录音文件格式选择**（mp3/wav）
8. **录音质量设置**（标准/高质量）

## 技术栈建议

- TypeScript 作为主要开发语言
- Obsidian Plugin API
- Web Audio API 处理录音
- Fetch API 处理网络请求
- lamejs 或类似库用于浏览器内 mp3 编码

## 文件结构建议

obsidian-voice-recorder/
├── main.ts                    # 插件主入口
├── modules/
│   ├── recorder.ts            # 录音功能模块
│   ├── transcriber.ts         # 转录 API 连接模块
│   ├── fileManager.ts         # 文件存储管理模块
│   └── statusBar.ts           # 状态栏管理模块
├── ui/
│   ├── settingsTab.ts         # 设置界面
│   └── recordingModal.ts      # 录音控制界面
└── styles.css                 # 插件样式

请注意确保插件符合 Obsidian 社区插件的开发规范和最佳实践。

第二步，完成前置准备，获得三方 API
#

该产品主要使用的是语音转文字 API，使用 AI 助手进行调研，对比各大平台的价格与优劣势。国内的阿里云和讯飞听见对中文识别效果最佳，但是一次性投入成本太高，适合企业，不适合个人，所以排除。微软 Azure 有免费额度，但是尝试申请后，发现太复杂了，也排除。最后，采用的是 OpenAI 语音模型，每分钟的调用成本最低，开发难度也最低，因此适合用来做 MVP 开发。

平台链接价格优劣势
OpenAIAPI PricingGPT-4o Transcribe: $0.006/分钟
GPT-4o Mini Transcribe: $0.003/分钟
Whisper: $0.006/分钟		优势：实时流式转录、多语言支持、噪声消除
劣势：中文场景需实测效果
微软Azure语音服务Azure语音服务免费试用一年，后续按量计费（约$1/小时起）优势：多语言支持（超100种）、集成Azure生态
劣势：配置复杂，需技术背景
阿里云语音识别智能语音交互按需定制（通用用户100人以下：2400元/人/年起）优势：中文高精度识别、可定制并发路数
劣势：套餐外收费未明示
讯飞听见官网按分钟计费（约￥0.33/分钟起）优势：中文识别准确率98%、实时边录边转
劣势：国际语言支持有限
接着就是到 OpenAI 官网开通 API。

第三步，用 Cursor指导 AI 生成代码
#

Cursor 安装与初始配置
#
  1. 访问 Cursor 官网 下载最新版本
  2. 根据您的操作系统选择对应的安装包进行安装
  3. 完成安装后启动 Cursor
  4. 在Chat Mode中选择 Agent 模式（最新版默认就是 Agent）
Cursor 自然语言编程
#

当你的提示词完整时，基本一次性就能出来第一版完成的代码。这个过程并不难，实际体验下来就能感受到。

第四步，边测试边修改
#

接着进入测试环节，这个阶段也是最费时间的阶段，经常会碰到卡在一个小问题。这个时候，就需要掌握一些调试技巧，并且在与 AI 交互过程中，学习如何更敏锐捕捉问题，并且指导 AI 去解决。

Obsidian 测试前配置工作
#
  1. 打开 Obsidian > 偏好设置 > 第三方插件
  2. 将"安全模式"关闭，允许安装第三方插件
  3. 打开插件文件夹 > 右键拷贝文件夹路径
  4. 把这个路径告诉Cursor（这一步很关键，本人就是在这卡了足足一个小时…😭）
  5. 然后让Cursor Agent构建插件，它就会哐哐哐给你运行服务，最后你就能在Obsidian 的已安装插件插件中找到该插件啦
开发者模式调试插件
#
  1. 在设置中配置 OpenAI API 密钥，开始录音及功能测试
  2. 如果发生错误，不要慌，打开开发者模式，快捷键 Command + Option + I，将 Console 的报错信息复制给 Cursor
  3. 经过多轮调试，Cursor 会自己找到问题，并且自己解决（未来的 AI 也会越来越强大，因为它会自我学习，而且迭代速度惊人！）

第五步，上线发布
#

这一步通过与 Cursor 基本也能完成，Cursor 会指导你通过 Github 发布，然后再遵循 Obsidian 的发布流程，最后就是等审核了。Obsidian 的审核流程会比较慢，目前我的插件也还在等待中。不过不影响我的使用，目前我已经用上了，每日的日记、思考、读书笔记等，香得飞起！ 感兴趣的朋友也可以加我微信，我提前把代码发你，让你也可以用起来。一切都是开源免费！ https://github.com/Alllen66/obsidian-voice2text

经验教训
#

这个项目教会了我几个关于AI辅助开发的宝贵经验：

  1. 明确需求至关重要。 给AI工具的指令越具体，结果就越好。

  2. AI在生成样板代码方面表现出色。 通常需要几小时的重复性结构元素几秒钟就能创建出来。

  3. 人机协作胜过单独工作。 我的领域知识与AI的编码能力相结合，产生了比我们任何一方单独能够实现的更好的结果。

  4. 调试仍然是一项关键的人类技能。 虽然AI可以建议修复方案，但识别问题的根本原因仍然需要人类的洞察力。

  5. 开发格局正在迅速变化。 曾经可能需要数周的工作在短短36小时内就完成了。

  1. 开发时长：从首次对话到产品上线 ↩︎

学锋 xuefeng
作者
学锋 xuefeng
用产品思维解锁 AI，用 AI 再造产品。欢迎一起冲浪 🚤
← → 微信小程序-HabitJoy微习惯
comments powered by Disqus