从 TXT 到 CSV 再到 Flask 部署：语音转写 AI 总结全流程实战
目录
1、基础实现：纯 TXT 文本内容总结
2、优化升级：CSV 格式语音转写数据总结
3、Flask 框架简介
4、Flask 部署 CSV 总结代码，实现本地上传调用
4.1 项目结构
4.2 Flask 核心部署代码
4.3 本地调用实现 CSV 总结
4.4 实现效果
整体总结
1、基础实现：纯 TXT 文本内容总结
最开始的核心需求是对语音转写的文本做 AI 总结，先从最简单的TXT 文本读取 + AI 总结入手，实现基础逻辑：
- 直接读取本地 TXT 格式的语音转写文本，加载全部文本内容
- 调用通义千问 AI 接口，传入 prompt 要求提炼核心知识点、去除口语化内容
- 控制台直接输出总结结果，完成最基础的文本总结功能
核心逻辑代码（极简版）：
import openai # AI配置 client = openai.OpenAI(api_key="你的密钥", base_url="https://dashscope.aliyuncs.com/compatible-mode/v1") # 读取TXT文本 with open("transcript.txt", "r", encoding="utf-8") as f: content = f.read() # AI总结 prompt = f"总结以下语音转写内容，分点提炼核心：\n{content}" res = client.chat.completions.create(model="deepseek-v3", messages=[{"role":"user","content":prompt}]) print(res.choices[0].message.content)这一步完成了文本总结的核心功能验证，但 TXT 格式无法存储语音转写的时间、角色等附加信息，实用性有限。
2、优化升级：CSV 格式语音转写数据总结
实际语音转写导出的文件为CSV 格式，包含时间、角色、内容三列，TXT 方案无法适配，因此优化为 CSV 专属总结方案：
- 使用
pandas读取 CSV 文件，适配中文列名内容，精准提取语音转写文本 - 过滤空值、拼接有效文本，避免无效内容干扰 AI 总结
- 保留原有的 AI 总结逻辑，仅替换文本读取方式，适配结构化数据
核心优化点：
- 兼容语音转写 CSV 的列名（新增
内容列匹配） - 批量处理多行转写文本，自动拼接成完整内容
- 数据更规范，可拓展性更强（后续可筛选角色、时间段）
优化后 CSV 读取核心代码：
import pandas as pd # 读取CSV，提取内容列 df = pd.read_csv("test_processed_sentences.csv", encoding="utf-8") # 匹配语音转写的文本列 text_col = "内容" transcript = "\n".join(df[text_col].dropna().astype(str))这一步解决了真实场景下语音转写文件的读取问题，从纯文本升级为结构化数据处理。
3、Flask 框架简介
Flask 是轻量级 Python Web 开发框架，无繁重依赖、上手简单，非常适合快速搭建本地 API 接口：
- 轻量化：无需复杂配置，几行代码即可启动 Web 服务
- 支持文件上传：完美适配 CSV 文件本地上传需求
- 纯 API 接口开发：无需编写前端页面，可通过脚本 / 终端直接调用
- 本地部署便捷：启动后局域网 / 本机均可访问，适合个人开发、本地调试
本次使用 Flask 的核心目的：将 CSV+AI 总结的功能封装为接口，实现本地上传文件→调用接口→获取总结的标准化流程。
4、Flask 部署 CSV 总结代码，实现本地上传调用
将优化后的 CSV 总结逻辑，通过 Flask 封装为文件上传 API 接口，实现本地无前端调用，完成完整的语音转写总结流程。
4.1 项目结构
智慧课堂/ ├── result/ # 存放待上传的CSV文件 │ └── test_processed_sentences.csv ├── uploads/ # 临时存储上传文件（自动创建） ├── app_api.py # Flask接口主程序 └── get_summary.py # 本地调用脚本4.2 Flask 核心部署代码
整合 CSV 读取、AI 总结、文件上传功能，封装为/api/upload-csv接口：
import os import openai import pandas as pd from flask import Flask, request, jsonify from werkzeug.utils import secure_filename app = Flask(__name__) UPLOAD_FOLDER = 'uploads' os.makedirs(UPLOAD_FOLDER, exist_ok=True) app.config['UPLOAD_FOLDER'] = UPLOAD_FOLDER API_KEY = "你的通义千问密钥" # AI总结类 class Summary: def __init__(self, key): self.client = openai.OpenAI(api_key=key, base_url="https://dashscope.aliyuncs.com/compatible-mode/v1") def read_csv(self, path): df = pd.read_csv(path, encoding="utf-8") return "\n".join(df["内容"].dropna().astype(str)) def get_summary(self, text): prompt = f"总结以下课堂语音转写，分点提炼核心：\n{text}" res = self.client.chat.completions.create(model="deepseek-v3", messages=[{"role":"user","content":prompt}]) return res.choices[0].message.content # 上传接口 @app.route("/api/upload-csv", methods=["POST"]) def upload(): file = request.files.get("file") path = os.path.join(app.config["UPLOAD_FOLDER"], secure_filename(file.filename)) file.save(path) s = Summary(API_KEY) text = s.read_csv(path) summary = s.get_summary(text) os.remove(path) return jsonify({"status":"success","data":{"summary":summary}}) if __name__ == "__main__": app.run(host="0.0.0.0", port=5000, debug=True)4.3 本地调用实现 CSV 总结
启动 Flask 服务后，通过两种方式本地调用接口：
- Python 脚本调用（推荐，无编码 / 终端坑）
import requests files = {"file": open("result/test_processed_sentences.csv", "rb")} res = requests.post("http://localhost:5000/api/upload-csv", files=files) print(res.json()["data"]["summary"])- 终端 curl.exe 调用
curl.exe -X POST "http://localhost:5000/api/upload-csv" -F "file=@result/test_processed_sentences.csv" | jq -r ".data.summary"4.4 实现效果
本地上传 CSV 语音转写文件→Flask 接口解析文本→AI 生成总结→返回中文结果，完整实现了结构化数据的 AI 总结接口化部署，可重复调用、无需手动修改代码。
整体总结
- 先通过 TXT 实现基础 AI 总结，验证核心逻辑；
- 优化为 CSV 格式，适配真实语音转写文件的结构化数据；
- 利用 Flask 轻量特性，将功能封装为本地 API 接口；
- 实现本地上传调用，完成可复用、标准化的 CSV 语音转写 AI 总结流程。