FunASR语音识别快速上手指南

语音识别技术在人工智能领域扮演着至关重要的角色，它使得人机交互更加自然和便捷。FunASR，作为阿里巴巴开源的一款基础语音识别工具包，旨在弥合学术研究与实际应用之间的技术鸿沟。它不仅提供了强大的功能，如非自回归端到端的语音识别、语音端点检测、标点恢复等，还通过持续的优化和更新，推动了语音识别技术的创新与进步。

FunASR的核心优势

强大的功能集

FunASR集成了多种功能，包括但不限于：

• 语音识别（ASR）：支持多种预训练模型的推理和微调，提供高精度和高效能。
• 语音端点检测（VAD）：自动检测语音片段的开始和结束，提高识别效率。
• 标点恢复：为识别结果添加标点符号，提升可读性。
• 语言模型：优化识别结果，适应不同语境。
• 说话人验证与分离：确认说话人身份，分离多说话人语音。
• 多人对话语音识别：在复杂语音环境中精准识别。

持续的优化与更新

FunASR团队持续关注学术研究的最新进展，将研究成果转化为实际应用，不断优化模型性能，如引入Qwen-Audio、Qwen-Audio-Chat等大规模模型，以及Whisper-large-v3模型，支持多语言识别和翻译。

多样化的服务

FunASR提供了中文和英文的离线文件转写服务，以及中文实时语音听写服务。这些服务持续进行性能优化，提升VAD处理、内存占用和模型性能。

容易部署的软件包

FunASR的社区软件包支持Windows平台，包含中文和英文离线文件转写服务以及中文实时听写服务，简化了部署流程。

开源模型仓库

FunASR开源了大量在工业数据上预训练的模型，如Paraformer-zh、Paraformer-zh-streaming、Paraformer-en、Conformer-en等，方便用户在ModelScope和Huggingface模型仓库中自由使用。

快速入门指南

1. 安装FunASR：

   pip3 install -U funasr
   1

2. 从源代码安装：

   git clone https://github.com/alibaba/FunASR.git
   cd FunASR
   pip3 install -e .
   1
   2
   3

3. 使用Paraformer-zh模型进行非实时语音识别：

   from funasr import AutoModel
   model = AutoModel(model="paraformer-zh",  vad_model="fsmn-vad", punc_model="ct-punc", 
                  # spk_model="cam++"
                  )
   res = model.generate(input=f"{model.model_path}/example/asr_example.wav", 
            batch_size_s=300, 
            hotword='魔搭')
   print(res)
   1
   2
   3
   4
   5
   6
   7
   8

4. 使用Paraformer-zh-streaming模型进行实时语音识别：

   from funasr import AutoModel
   
   model = AutoModel(model="paraformer-zh-streaming")
   chunk_size = [0, 10, 5]
   encoder_chunk_look_back = 4
   decoder_chunk_look_back = 1
   
   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)
   
   1
   2
   3
   4
   5
   6
   7
   8
   9
   10
   11
   12
   13
   14
   15
   16
   17
   18
   19
   20

结语

FunASR以其全面的功能、易用性和持续的更新，为语音识别的研究和应用提供了有力支持。无论是进行学术研究，还是在实际项目中应用，FunASR都是一个值得深入研究和使用的工具包。如需获取更多帮助或交流，欢迎访问FunASR的GitHub页面或加入钉钉群、微信群。