当前位置：首页 > news >正文

FunASR：语音识别集成工具箱

news 来源：原创 2025/5/16 1:56:18

之前的工作主要是计算机视觉方向，大模型盛行下开始接触大语言模型和多模态模型，但是一直也没有机会接触语音识别方向的算法，比较好奇，前两天刷到一个科普小视频提到FunASR这个开源工具，今天介绍一个语音识别领域的开源工具-FunASR。

GitHub

一、简介

FunASR 是阿里巴巴达摩院开源的一款轻量级语音识别工具包，旨在为开发者提供高效、易用的语音处理解决方案。它集成了多种先进的语音识别技术和模型，支持语音识别（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功能；

二、功能实现

2.1 环境安装

2.1.1 依赖环境

# 依赖环境
python>=3.8
torch>=1.13
torchaudio

2.1.2 pip安装

pip3 install -U funasr
pip3 install -U modelscope huggingface huggingface_hub

2.2 功能实现

2.2.1 语音识别

定义：将语音信号转换为文本的过程。
目标：将人类语言的音频输入转化为可读的文本输出。
应用场景：语音助手、字幕生成、会议记录等。

2.2.1.1 基于SenseVoice模型的语音识别

# 语音识别-SenseVoice
from funasr import AutoModel
from funasr.utils.postprocess_utils import rich_transcription_postprocess

model_dir = "iic/SenseVoiceSmall"

model = AutoModel(
    model=model_dir,
    vad_model="fsmn-vad",
    vad_kwargs={"max_single_segment_time": 30000},
    device="cuda:0",
)

# en
res = model.generate(
    input="./gy.m4a",
    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)

参数：

model_dir：模型名称，或本地磁盘中的模型路径；
vad_model：表示开启VAD，VAD的作用是将长音频切割成短音频，此时推理耗时包括了VAD与SenseVoice总耗时，为链路耗时，如果需要单独测试SenseVoice模型耗时，可以关闭VAD模型；
vad_kwargs：表示VAD模型配置,max_single_segment_time: 表示vad_model最大切割音频时长, 单位是毫秒ms；
use_itn：输出结果中是否包含标点与逆文本正则化；
batch_size_s： 表示采用动态batch，batch中总音频时长，单位为秒s；
merge_vad：是否将 vad 模型切割的短音频碎片合成，合并后长度为merge_length_s，单位为秒s；
ban_emo_unk：禁用emo_unk标签，禁用后所有的句子都会被赋与情感标签；

输出结果：

2.2.1.2 基于paraformer模型的语音识别

# 语音识别-paraformer
from funasr import AutoModel
# paraformer-zh is a multi-functional asr model
# use vad, punc, spk or not as you need
model = AutoModel(model="paraformer-zh",  vad_model="fsmn-vad", punc_model="ct-punc", 
                  # spk_model="cam++"
                  )
res = model.generate(input="./gy.m4a", 
            batch_size_s=300, 
            hotword='魔搭')
print(res)

输出结果：

输出结果包含文件名、语音识别文本以及每个文本字符在音频中的时间跨度，单位毫秒；

2.2.2 语音端点检测（VAD，Voice Activity Detection）

定义：检测语音信号中的有效语音片段，去除静音或背景噪声。
目标：确定语音开始和结束的时间点。
应用场景：优化语音识别性能、降低计算资源消耗。

2.2.2.1 基于fsmn-vad模型的语音端点检测

# 语音端点检测-fsmn-vad
from funasr import AutoModel

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

# wav_file = f"{model.model_path}/example/vad_example.wav"
wav_file = './gy.m4a'
res = model.generate(input=wav_file)
print(res)

输出结果：

输出结果包含文件名和连续有效语音时间跨度时间戳，单位毫秒；

2.2.3 标点恢复

定义：在语音识别生成的文本中添加正确的标点符号。
目标：提高文本的可读性和语义完整性。
应用场景：自动生成带标点的会议记录、实时字幕。

2.2.3.1 基于ct-punc模型的标点补全

# 标点恢复-ct-punc
from funasr import AutoModel

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

res = model.generate(input="势如破竹 三国末年 晋武帝司马炎夺取魏国政权后 准备出兵攻打吴国 可当时朝廷中许多大臣都认为吴国占据着长江天险 水军非常强大 应该等到有了足够的准备后再攻打吴国 可是大将杜禹却认为现在正是消灭吴国最好的时机 不能给他喘息的机会 于是 晋武帝向自己最信任的大臣张华征求了意见 张华听了 连忙说 理应尽快攻打吴果 以免留下后患 晋武帝闻言立即下令道 好 那便封杜誉为征南大将军 即刻攻打吴国 杜豫的军队十分勇勇猛 连续攻下吴国的江陵湘江直逼吴国国都建邺 晋武帝大月准备下令让杜豫从小路向吴国国都建业进发 可有些朝臣认为 如今长江水势大涨 恐怕会影响作战 不如先收兵等冬天再战 但是杜玉坚决反对退兵 他说 现在我们的军队势如破竹 斗志阵望 取得了一个又一个的胜利 只要一鼓作气就能攻破建业 果然正如杜豫所言 没过多久便攻占了建 业灭掉了吴国 帮助晋武帝完成了统一中原的大业")
print(res)

输出结果：

2.2.4 说话人验证（声纹识别）

定义：验证某段语音是否属于特定说话人。
目标：确认身份。
应用场景：语音解锁、身份认证。

2.2.4.1 基于CAM++模型的声纹识别

# 说话人确认-CAM++
from modelscope.pipelines import pipeline
sv_pipeline = pipeline(
    task='speaker-verification',
    model='damo/speech_campplus_sv_zh-cn_16k-common',
    model_revision='v1.0.0'
)
speaker1_a_wav = 'https://modelscope.cn/api/v1/models/damo/speech_campplus_sv_zh-cn_16k-common/repo?Revision=master&FilePath=examples/speaker1_a_cn_16k.wav'
speaker1_b_wav = 'https://modelscope.cn/api/v1/models/damo/speech_campplus_sv_zh-cn_16k-common/repo?Revision=master&FilePath=examples/speaker1_b_cn_16k.wav'
speaker2_a_wav = 'https://modelscope.cn/api/v1/models/damo/speech_campplus_sv_zh-cn_16k-common/repo?Revision=master&FilePath=examples/speaker2_a_cn_16k.wav'

# 相同说话人语音
result = sv_pipeline([speaker1_a_wav, speaker1_b_wav])
print(result)

输出结果：

输出结果包含相似度和识别结果；

三、总结

任务名称	主要目标	应用场景	技术特点
ASR	将语音转为文本	字幕生成、语音助手	声学模型+语言模型
VAD	检测语音活动	语音信号预处理	时间域或频域特征分析
标点恢复	添加标点符号	自动化文本生成	上下文语义理解
说话人验证	确认语音归属	身份认证	声学特征提取+相似度比较