Gradio全解20——Streaming：流式传输的多媒体应用（3）——实时语音识别技术

本章目录如下：

1. 《Gradio全解20——Streaming：流式传输的多媒体应用（1）——流式传输音频：魔力8号球》；
2. 《Gradio全解20——Streaming：流式传输的多媒体应用（2）——构建对话式聊天机器人》；
3. 《Gradio全解20——Streaming：流式传输的多媒体应用（3）——实时语音识别技术》；
4. 《Gradio全解20——Streaming：流式传输的多媒体应用（4）——基于Groq的带自动语音检测功能的多模态Gradio应用》；
5. 《Gradio全解20——Streaming：流式传输的多媒体应用（5）——基于WebRTC的摄像头实时目标检测》；
6. 《Gradio全解20——Streaming：流式传输的多媒体应用（6）——构建视频流目标检测系统》。

本篇摘要

本章讲述流式传输的应用，包括音频、图像和视频格式的流式传输。

20. Streaming：流式传输的多媒体应用

本章讲述流式传输的应用，包括音频、图像和视频格式的流式传输。音频应用包括流式传输音频、构建音频对话式聊天机器人、实时语音识别技术和自动语音检测功能；图像应用包括基于WebRTC的摄像头实时目标检测；视频应用包括构建视频流目标检测系统。

20.3 实时语音识别技术

自动语音识别技术（Automatic speech recognition：ASR）作为机器学习中将语音信号转换为文本的重要领域，正处于快速发展阶段。当前ASR算法已普遍应用于智能手机设备，并逐步渗透到专业工作流程中，如医护人员的数字助理系统。由于ASR算法直接面向终端用户，所以必须确保其能够实时准确处理各种语音特征（包括不同口音、音高及背景噪声环境）。

通过Gradio平台，开发者可快速构建ASR算法模型的演示系统，便于测试团队验证或通过麦克风等设备进行自主实时测试。本教程将通过两部分演示如何将预训练语音转文本模型部署至Gradio交互界面：第一部分采用全上下文模式，即用户完成整段录音后才执行预测；第二部分将演示改造为流式处理模式，实现语音实时转换功能。

20.3.1 环境准备和开发步骤

开始之前，先准备环境，比如安装gradio、Transformers及ffmpeg等python包，再按照应用开发步骤进行实战。

1. 环境准备

请确保已安装gradio的Python包，同时本教程需要预训练语音识别模型支持，我们还需要以下两个ASR库构建演示系统：Transformers（安装命令：pip install torch transformers torchaudio），我们使用Transformers中Whisper模型实现语音识别；FFmpeg处理麦克风输入文件，因为Transformers会自动安装ffmpeg，所以建议至少安装其中一个库以便跟进教程。FFmpeg是领先的多媒体框架，能够解码、编码、转码、复用、解复用、流式传输、过滤及播放几乎所有人类与机器创建的媒体内容。该框架支持从最冷门的古老格式到最前沿的技术标准——无论这些格式是由标准委员会、开源社区还是商业公司设计，详细信息请参阅：FFmpeg。

2. ASR应用开发步骤（基于Transformers）

实时语音识别(ASR)应用开发步骤全部基于Transformers，具体步骤如下：

1. 配置ASR模型环境；
2. 构建全上下文ASR演示系统；
3. 构建流式ASR演示系统。

20.3.2 配置ASR模型

首先，需要准备一个ASR模型——可以是自行训练的模型，或是下载预训练模型。本教程将使用Whisper的预训练ASR模型作为示例，以下是加载Hugging Face Transformers中Whisper模型的代码：

from transformers import pipelinepl = pipeline("automatic-speech-recognition", model="openai/whisper-base.en")

配置完成！

20.3.3 构建全上下文ASR演示系统

然后，创建全上下文ASR演示，即用户需完整录制音频后，系统才会调用ASR模型进行推理。利用Gradio实现这一功能非常简单——只需基于上述pipeline对象创建处理函数即可。

具体实现将采用Gradio内置的Audio组件：输入组件将接收用户麦克风输入并返回录音文件路径，输出组件将使用标准Textbox组件显示识别结果。代码如下：

import gradio as gr
from transformers import pipeline
import numpy as nptranscriber = pipeline("automatic-speech-recognition", model="openai/whisper-base.en")def transcribe(audio):sr, y = audio# Convert to mono if stereoif y.ndim > 1:y = y.mean(axis=1)y = y.astype(np.float32)y /= np.max(np.abs(y))return transcriber({"sampling_rate": sr, "raw": y})["text"]  demo = gr.Interface(transcribe,gr.Audio(sources="microphone"),"text",
)
demo.launch()

transcribe函数接受单一参数audio，这是一个用户录制的音频numpy数组。管道对象期望音频为float32格式，因此我们首先将其转换为float32，然后使用transcriber提取转录文本。

此程序在Hugging Face的地址为：gradio/asr，演示截图如下：

20.3.4 构建流式ASR演示系统

要实现流式处理，需进行以下配置调整：

1. 在Audio组件中设置streaming=True以支持流式传输；
2. 在Interface中启用live=True参数以支持实时传输；
3. 添加状态存储机制state以保存用户音频流。

具体实现代码如下：

import gradio as gr
from transformers import pipeline
import numpy as nptranscriber = pipeline("automatic-speech-recognition", model="openai/whisper-base.en")
def transcribe(stream, new_chunk):sr, y = new_chunk# Convert to mono if stereoif y.ndim > 1:y = y.mean(axis=1)y = y.astype(np.float32)y /= np.max(np.abs(y))if stream is not None:stream = np.concatenate([stream, y])else:stream = yreturn stream, transcriber({"sampling_rate": sr, "raw": stream})["text"]  demo = gr.Interface(transcribe,["state", gr.Audio(sources=["microphone"], streaming=True)],["state", "text"],live=True,
)
demo.launch()

请注意，我们现在有一个状态变量，因为我们需要跟踪所有音频历史。随着接口运行，每次有新的小段音频时，transcribe函数将会被调用，在状态中跟踪迄今为止所有的音频记录并将新音频片段作为new_chunk；new_chunk经过处理后，将返回新的完整音频并存储回当前状态，同时也返回转录文本。整个过程中，我们只需要简单地将音频拼接在一起，并对整个音频调用转录器对象；也可以优化为其它更有效率的处理方式，比如每次接收到新音频片段时，仅重新处理最后5秒的音频。

现在，ASR模型将在用户说话时进行推理！注意在进度条开始后录音，运行截图如下：

参考文献：

1. Streaming AI Generated Audio
2. Run Inference on servers
3. Spaces ZeroGPU: Dynamic GPU Allocation for Spaces