轻松识别几个小时的长音视频文件_funasr长对话提取断句时间长提取不到

前言

之前的文章绍一个准确率非常高的语音识别框架，但那个只能识别实时的短音频，如果想要识别一个非常长的音频，几十分钟，甚至几个小时，那之前的那个是做不到的所以就有了本文。本文介绍搭建一个长语音识别服务，可以把任意长度的音视频到识别结果。而且识别结果中，可以包含每句话的开始时间和结束时间，可以用来做字幕等等。

视频教程： 三行命令搭建语音识别服务，竟如此轻松识别几个小时的音视频！

启动Docker服务

需要把整个文件夹上传到服务器上，并在该目录执行以下命令：

编译Docker容器：

sudo docker build -t offline_asr .
1

修改权限：

sudo chmod +x run_server.sh
1

在项目根目录执行启动命令：

sudo docker run -p 10095:10095 -itd --privileged=true --name offline_asr -v $PWD/:/workspace/websocket offline_asr
1

重新启动服务，如果之前因为一些原因关闭了docker服务，可以执行下面命令重新启动，需要开机自启动的，把下面命令复制到开机自启动脚本中/etc/rc.local：

sudo docker start offline_asr
1

测试服务

使用上面服务之后，可以执行下面命令测试一下服务是否正常启动可用。

python client.py --wav_path=test.wav
1

输出结果如下，可以看到输出的结果中，每句话都带有开始和结束的时间戳，单位毫秒：

【../data/test.wav】结果: [{'text': '近几年，', 'start': '710', 'end': '1569'}, {'text': '不但我用书给女儿压岁，', 'start': '1569', 'end': '3550'}, {'text': '也劝说亲朋不要给女儿压岁钱而改送压岁书。', 'start': '3550', 'end': '7935'}]
1

搭建HTTP服务

上面搭建的是websocket的服务，使用起来非常不方便，所以下面提供了一个Websockt转http服务的程序，并且提供了网页可以上传音视频获取识别结果，启动HTTP服务命令如下。

python server.py
1

访问http://192.168.0.100:6060打开页面，可以上传WAV、MP3、MP4等多种格式，同时也支持录制识别，返回的同样是每句话都有时间戳。

{
  "result": {
    "text": "近几年，不但我用书给女儿压岁，也劝说亲朋不要给女儿压岁钱而改送压岁书。",
    "sentences": [
      {
        "text": "近几年，",
        "start": "710",
        "end": "1569"
      },
      {
        "text": "不但我用书给女儿压岁，",
        "start": "1569",
        "end": "3550"
      },
      {
        "text": "也劝说亲朋不要给女儿压岁钱而改送压岁书。",
        "start": "3550",
        "end": "7935"
      }
    ]
  },
  "code": 0
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

页面截图：

扫码入知识星球，搜索【FunASR语音识别长音频视频服务】获取源码