阿里 FunASR 开源中文语音识别大模型应用示例(准确率比faster-whisper高)

文章目录

Github

官网

简介

FunASR是一个基础语音识别工具包,提供多种功能,包括语音识别(ASR)、语音端点检测(VAD)、标点恢复、语言模型、说话人验证、说话人分离和多人对话语音识别等。FunASR提供了便捷的脚本和教程,支持预训练好的模型的推理与微调。

我们在ModelScope与huggingface上发布了大量开源数据集或者海量工业数据训练的模型,可以通过我们的模型仓库了解模型的详细信息。代表性的Paraformer非自回归端到端语音识别模型具有高精度、高效率、便捷部署的优点,支持快速构建语音识别服务,详细信息可以阅读(服务部署文档)。

模型

安装

bash 复制代码
pip3 install -U funasr
# 或从源码安装
git clone https://github.com/alibaba/FunASR.git && cd FunASR
pip3 install -e ./

非流式应用示例

bash 复制代码
# 语音识别,带时间戳,非流式
git clone https://huggingface.co/funasr/paraformer-zh
python 复制代码
from funasr import AutoModel
from funasr.utils.postprocess_utils import rich_transcription_postprocess

model = AutoModel(
    model='./paraformer-zh',
    vad_model="fsmn-vad",
    vad_kwargs={"max_single_segment_time": 30000},
    device="cpu",
    disable_update=True, 
    disable_pbar=True
)

res = model.generate(
    input=f"./zh_20250329_105237.wav",
    cache={},
    language="auto",  # "zn", "en", "yue", "ja", "ko", "nospeech"
    use_itn=True,
    batch_size_s=60,
    merge_vad=True,  #
    merge_length_s=15,
)
text = rich_transcription_postprocess(res[0]["text"])
print(text)

流式应用示例

bash 复制代码
# 语音识别、流媒体
git clone https://huggingface.co/funasr/paraformer-zh-streaming
python 复制代码
from funasr import AutoModel

chunk_size = [0, 10, 5] #[0, 10, 5] 600ms, [0, 8, 4] 480ms
encoder_chunk_look_back = 4 #number of chunks to lookback for encoder self-attention
decoder_chunk_look_back = 1 #number of encoder chunks to lookback for decoder cross-attention

model = AutoModel(model="./paraformer-zh-streaming", disable_update=True)

import soundfile
import os

speech, sample_rate = soundfile.read('./zh_20250329_105237.wav')
chunk_stride = chunk_size[1] * 960 # 600ms

cache = {}
# 计算总共需要处理的音频块数
total_chunk_num = int(len((speech)-1)/chunk_stride+1)
# 遍历所有音频块,逐块识别
for i in range(total_chunk_num):
    speech_chunk = speech[i*chunk_stride:(i+1)*chunk_stride]
    is_final = i == total_chunk_num - 1
    res = model.generate(input=speech_chunk, cache=cache, is_final=is_final, chunk_size=chunk_size, encoder_chunk_look_back=encoder_chunk_look_back, decoder_chunk_look_back=decoder_chunk_look_back)
    print(res)

注:chunk_size为流式传输延迟的配置。 [0,10,5]表示实时显示粒度为1060=600ms,前瞻信息为560=300ms。每次推理的输入为600ms(样本点为16000*0.6=960),输出为对应的文本。对于最后一段语音的输入,is_final=True需要设置 ,强制输出最后一个单词。

python 复制代码
import sounddevice as sd
import numpy as np
import queue
from funasr import AutoModel

model = AutoModel(
    model="./paraformer-zh-streaming", 
    disable_update=True, 
    disable_pbar=True
    )

# 录音参数
SAMPLE_RATE = 16000  # FunASR 需要 16kHz 采样率
CHANNELS = 1
CHUNK_MS = 600  # 每个 chunk 600ms
CHUNK_SIZE = CHUNK_MS * 16  # 600ms 音频 = 9600 采样点
LOOK_BACK = 4  # Encoder 关注的 chunk 数量

# 音频缓存
audio_queue = queue.Queue()
cache = {}  # 识别缓存

# 录音回调
def callback(indata, frames, time, status):
    if status:
        print(f"音频流错误: {status}")
    audio_queue.put(indata.copy())  # 存入队列

# 开始监听麦克风
print("正在监听麦克风... (Ctrl+C 退出)")
try:
    with sd.InputStream(samplerate=SAMPLE_RATE, channels=CHANNELS, callback=callback, blocksize=CHUNK_SIZE):
        buffer = np.array([], dtype=np.float32)  # 音频缓冲区
        while True:
            if not audio_queue.empty():
                # 获取音频数据
                audio_chunk = audio_queue.get().flatten()
                buffer = np.append(buffer, audio_chunk)  # 添加到缓冲区

                # 每 600ms 进行一次识别
                while len(buffer) >= CHUNK_SIZE:
                    chunk = buffer[:CHUNK_SIZE]
                    buffer = buffer[CHUNK_SIZE:]  # 移除已处理部分
                    
                    # 执行语音识别
                    res = model.generate(
                        input=chunk, 
                        cache=cache, 
                        is_final=False, 
                        chunk_size=[0, 10, 5], 
                        encoder_chunk_look_back=LOOK_BACK, 
                        decoder_chunk_look_back=1
                        )
                    print("识别结果:", res[0]['text'])

except KeyboardInterrupt:
    print("停止监听")
相关推荐
sduwcgg3 分钟前
kaggle配置
人工智能·python·机器学习
DolphinScheduler社区5 分钟前
白鲸开源与亚马逊云科技携手推动AI-Ready数据架构创新
人工智能·科技·开源·aws·白鲸开源·whalestudio
__lost25 分钟前
Python图像变清晰与锐化,调整对比度,高斯滤波除躁,卷积锐化,中值滤波钝化,神经网络变清晰
python·opencv·计算机视觉
海绵波波10730 分钟前
玉米产量遥感估产系统的开发实践(持续迭代与更新)
python·flask
欣然~33 分钟前
借助 OpenCV 和 PyTorch 库,利用卷积神经网络提取图像边缘特征
人工智能·计算机视觉
逢生博客1 小时前
使用 Python 项目管理工具 uv 快速创建 MCP 服务(Cherry Studio、Trae 添加 MCP 服务)
python·sqlite·uv·deepseek·trae·cherry studio·mcp服务
堕落似梦1 小时前
Pydantic增强SQLALchemy序列化(FastAPI直接输出SQLALchemy查询集)
python
白熊1881 小时前
【计算机视觉】CV实战项目 - 基于YOLOv5的人脸检测与关键点定位系统深度解析
人工智能·yolo·计算机视觉
nenchoumi31191 小时前
VLA 论文精读(十六)FP3: A 3D Foundation Policy for Robotic Manipulation
论文阅读·人工智能·笔记·学习·vln
后端小肥肠2 小时前
文案号搞钱潜规则:日入四位数的Coze工作流我跑通了
人工智能·coze