阿里巴巴开源的语音识别工具包，提供预训练模型与详细教程，一键部署多场景应用

最新推荐文章于 2025-03-16 01:30:00 发布

大模型入门学习

最新推荐文章于 2025-03-16 01:30:00 发布

阅读量2.1k

点赞数 28

文章标签：开源语音识别产品经理大模型入门人工智能大模型学习大模型教程

本文链接：https://blog.csdn.net/2401_84494441/article/details/143052453

版权

🚀 快速阅读

FunASR 是由阿里巴巴开源的语音识别工具包，支持多种功能，包括语音识别、语音活动检测、标点恢复、说话人验证等。
FunASR 提供了预训练模型和易于使用的接口，支持快速部署，满足不同场景的应用需求。
本文将介绍 FunASR 的主要功能、技术原理，并提供运行示例和安装教程。

正文（附运行示例）

FunASR 是什么

FunASR 是由阿里巴巴达摩院开源的语音识别工具包，旨在帮助研究人员和开发者更高效地进行语音识别模型的研究和生产。它支持多种功能，如语音识别（ASR）、语音活动检测（VAD）、标点恢复、说话人验证和多人对话语音识别等。FunASR 提供了便捷的脚本和教程，支持预训练模型的推理与微调，使用户能够快速部署语音识别服务。

FunASR 的主要功能

语音识别（ASR）：将语音信号转换为文本信息。
语音活动检测（VAD）：识别语音信号中的有效语音部分，过滤掉静音或背景噪音。
标点恢复：在语音识别结果中自动添加标点符号，提高文本的可读性。
说话人验证：识别并验证说话人的身份。
说话人分离：在多人对话中区分不同说话人的声音。
多说话人 ASR：处理多人同时说话的场景，识别和区分每个人的语音。

如何运行 FunASR

安装教程

确保已安装以下依赖环境：

python>=3.8
torch>=1.13
torchaudio

使用 pip 安装：

pip3 install -U funasr

或者从源代码安装：

git clone https://github.com/alibaba/FunASR.git && cd FunASR
pip3 install -e ./

如果需要使用工业预训练模型，安装 modelscope 与 huggingface_hub（可选）：

pip3 install -U modelscope huggingface huggingface_hub

运行示例

非实时语音识别

使用 Paraformer 模型进行语音识别：

from funasr import AutoModel

model = AutoModel(model="paraformer-zh", vad_model="fsmn-vad", punc_model="ct-punc")
res = model.generate(input=f"{model.model_path}/example/asr_example.wav", batch_size_s=300, hotword='魔搭')
print(res)

实时语音识别

使用 Paraformer 模型进行实时语音识别：

from funasr import AutoModel

chunk_size = [0, 10, 5]  # 600ms
encoder_chunk_look_back = 4
decoder_chunk_look_back = 1

model = AutoModel(model="paraformer-zh-streaming")

import soundfile
import os

wav_file = os.path.join(model.model_path, "example/asr_example.wav")
speech, sample_rate = soundfile.read(wav_file)
chunk_stride = chunk_size[1] * 960  # 600ms

cache = {}
total_chunk_num = int(len((speech)-1)/chunk_stride+1)
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)

语音端点检测（VAD）示例

使用 fsmn-vad 模型进行语音端点检测：

from funasr import AutoModel

model = AutoModel(model="fsmn-vad")

wav_file = f"{model.model_path}/example/vad_example.wav"
res = model.generate(input=wav_file)
print(res)

VAD 模型将返回音频中有效语音段的起始和结束时间，格式如下：

[[beg1, end1], [beg2, end2], ..., [begN, endN]]

其中 begN 和 endN 以毫秒为单位。

标点恢复示例

使用 ct-punc 模型进行标点恢复：

from funasr import AutoModel

model = AutoModel(model="ct-punc")

res = model.generate(input="那今天的会就到这里吧 happy new year 明年见")
print(res)

该模型会自动在转录文本中添加合适的标点符号，提升文本的可读性。

时间戳预测示例

使用 fa-zh 模型进行时间戳预测：

from funasr import AutoModel

model = AutoModel(model="fa-zh")

wav_file = f"{model.model_path}/example/asr_example.wav"
text_file = f"{model.model_path}/example/text.txt"
res = model.generate(input=(wav_file, text_file), data_type=("sound", "text"))
print(res)

该模型将为输入的音频和文本生成时间戳信息。

情感识别示例

使用 emotion2vec_plus_large 模型进行情感识别：

from funasr import AutoModel

model = AutoModel(model="emotion2vec_plus_large")

wav_file = f"{model.model_path}/example/test.wav"

res = model.generate(wav_file, output_dir="./outputs", granularity="utterance", extract_embedding=False)
print(res)

该模型将返回音频中情感类别的预测结果，如 “生气/angry”，“开心/happy”，“中立/neutral”，“难过/sad”。