SenseVoice语音识别快速上手：一键部署多语言转写Web界面-拓冰建站

SenseVoice语音识别快速上手：一键部署多语言转写Web界面

1. 开篇：为什么选择SenseVoice语音识别？

想象一下这样的场景：你刚参加完一场国际会议，录音里有中文、英文和日语的混合内容；或者你有一堆粤语播客想转成文字；又或者你需要为外语视频自动生成字幕。传统语音识别工具要么语言支持有限，要么部署复杂，要么识别效果不佳。

SenseVoice-small-onnx语音识别服务完美解决了这些问题。这个基于ONNX量化的模型支持50+种语言自动检测，特别优化了中文、粤语、英语、日语和韩语识别。最棒的是，它提供了开箱即用的Web界面和API接口，10秒音频仅需70毫秒就能完成转写，还包含情感识别和音频事件检测等高级功能。

无论你是开发者想要集成语音识别功能，还是普通用户需要快速转写多语言音频，这篇文章都能帮你10分钟内完成部署并开始使用。下面我们就从环境准备开始，一步步带你体验这个强大的语音识别工具。

2. 环境准备与一键部署

2.1 系统要求与依赖安装

SenseVoice-small-onnx语音识别服务可以在大多数现代操作系统上运行：

操作系统：Linux/Windows/macOS
Python版本：3.8或更高
内存：建议至少4GB空闲内存
磁盘空间：500MB以上空闲空间

打开终端，执行以下命令安装所需依赖：

# 创建项目目录（可选） mkdir sensevoice-demo cd sensevoice-demo # 安装核心依赖 pip install funasr-onnx gradio fastapi uvicorn soundfile jieba

这些包各自的作用：

funasr-onnx：语音识别核心推理库
gradio：构建Web交互界面
fastapi和uvicorn：提供REST API服务
soundfile：处理音频文件
jieba：中文分词工具

如果安装速度慢，可以使用国内镜像源加速：

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple funasr-onnx gradio fastapi uvicorn soundfile jieba

2.2 一键启动服务

服务提供者通常会给出完整的app.py启动脚本。如果没有，你可以使用以下简化版代码：

# app.py 简化示例 from funasr_onnx import SenseVoiceSmall import gradio as gr from fastapi import FastAPI import uvicorn # 初始化模型（自动使用缓存模型） model_path = "/root/ai-models/danieldong/sensevoice-small-onnx-quant" model = SenseVoiceSmall(model_path, batch_size=10, quantize=True) app = FastAPI() # 这里添加API路由和Gradio界面代码... # 实际使用时请使用完整的app.py文件 if __name__ == "__main__": uvicorn.run(app, host="0.0.0.0", port=7860)

保存后直接运行：

python3 app.py --host 0.0.0.0 --port 7860

看到类似输出表示启动成功：

INFO: Started server process [12345] INFO: Waiting for application startup. INFO: Application startup complete. INFO: Uvicorn running on http://0.0.0.0:7860

3. Web界面快速体验

3.1 访问Web界面

服务启动后，打开浏览器访问：

Web界面：http://localhost:7860
API文档：http://localhost:7860/docs
健康检查：http://localhost:7860/health

Web界面通常包含以下功能区域：

音频上传区：支持拖放或点击选择文件
语言选择：auto(自动检测)/zh(中文)/en(英语)/yue(粤语)/ja(日语)/ko(韩语)
功能选项：是否启用逆文本正则化(ITN)
转写按钮：开始处理音频
结果显示区：显示识别文本

3.2 实际转写示例

我们来测试一段包含中英文混合的音频：

点击"选择文件"上传mixed_audio.wav
语言选择"auto"
勾选"启用ITN"
点击"转写"按钮

稍等片刻，你可能会看到类似结果：

今天天气真好，let's go to the park。记得带上你的dog。

对于清晰的音频，混合语言识别准确率通常能达到90%以上。ITN功能会自动将"百分之二十"转为"20%"，"三点五"转为"3.5"等，使结果更规范。

4. API接口调用指南

4.1 REST API基础调用

除了Web界面，服务还提供了REST API接口。用curl测试转写功能：

curl -X POST "http://localhost:7860/api/transcribe" \ -F "file=@audio.wav" \ -F "language=auto" \ -F "use_itn=true"

返回的JSON结果示例：

{ "text": "本次会议主要讨论Q2产品发布计划", "language": "zh", "duration": 5.2, "segments": [ { "start": 0.0, "end": 5.2, "text": "本次会议主要讨论Q2产品发布计划" } ] }

4.2 Python代码调用

对于开发者，可以直接使用Python调用：

from funasr_onnx import SenseVoiceSmall # 初始化模型（自动使用缓存） model = SenseVoiceSmall( "/root/ai-models/danieldong/sensevoice-small-onnx-quant", batch_size=5, quantize=True ) # 批量转写 results = model(["meeting.wav", "podcast.mp3"], language="auto", use_itn=True) for result in results: print(f"转写结果：{result['text']}") print(f"检测语言：{result.get('language', '未知')}")

5. 进阶功能与技巧

5.1 流式上传与实时转写

对于大文件或实时场景，可以使用流式上传：

import aiohttp import asyncio async def stream_transcribe(audio_path): async with aiohttp.ClientSession() as session: data = aiohttp.FormData() data.add_field('language', 'auto') data.add_field('use_itn', 'true') with open(audio_path, 'rb') as f: data.add_field('file', f, filename="audio.wav") async with session.post( 'http://localhost:7860/api/transcribe_stream', data=data ) as response: async for chunk in response.content: print(f"实时结果：{chunk.decode()}")

5.2 批量处理优化

处理大量音频时，合理设置batch_size能显著提升效率：

# 最佳batch_size取决于你的硬件配置 batch_sizes = [1, 5, 10] for size in batch_sizes: model = SenseVoiceSmall(model_path, batch_size=size, quantize=True) start = time.time() model(audio_files, language="auto") print(f"batch_size={size}, 耗时：{time.time()-start:.2f}s")