SenseVoice 实测，阿里开源语音大模型，识别效果和效率优于 Whisper，居然还能检测掌声、笑声！5分钟带你部署体验
前段时间，带着大家捏了一个对话机器人：
手把手带你搭建一个语音对话机器人，5分钟定制个人AI小助手（新手入门篇）
其中语音识别（ASR）方案，采用的是阿里开源的 FunASR，这刚不久，阿里又开源了一个更强的音频基础模型，该模型具有如下能力：
- 语音识别（ASR）
- 语种识别（LID）
- 语音情感识别（SER）
- 声学事件分类（AEC）
- 声学事件检测（AED）
传送门：https://github.com/FunAudioLLM/SenseVoice
今天就带着大家体验一番~
0. 项目简介
模型结构如下图所示：
模型亮点：
-
多语言语音识别：
经过超过40万小时的数据训练，支持50多种语言，其识别性能超越了Whisper模型。 -
丰富的转录能力：
具备出色的情感识别能力，在测试数据上超越了当前最佳模型。
提供声音事件检测能力，支持检测各种常见的人机交互事件，如背景音乐、掌声、笑声、哭泣、咳嗽和打喷嚏。 -
高效推理：
SenseVoice-Small模型采用非自回归的端到端框架，具有极低的推理延迟。处理10秒音频仅需70毫秒，比Whisper-Large快15倍。 -
便捷的微调：
提供便捷的微调脚本和策略，使用户能够根据业务场景轻松解决长尾样本问题。
1. 在线体验
在线体验地址：https://www.modelscope.cn/studios/iic/SenseVoice
语音识别：支持中、粤、英、日、韩语等 50 多种语言。
情感识别：比如积极 or 消极，以 Emoji 表情输出。
音频事件检测：同样以 Emoji 表情输出。
2. 本地部署
2.1 安装 & 测试
首先 git 下载到本地，然后安装必要的包：
git clone https://github.com/FunAudioLLM/SenseVoice.git
pip install -r requirements.txt
注意：
- 本项目依赖的
funasr版本要>=1.1.2，这个和funasr语音识别模型的版本是不匹配的，如果要同时使用这两个模型，会出现版本冲突，所以最好采用 conda 管理 python 环境。 - 本项目依赖的
torchaudio需要更新到最新版本，否则会出现报错。
接下来，我们采用官方脚本进行测试：
from funasr import AutoModel
from funasr.utils.postprocess_utils import rich_transcription_postprocessmodel_dir = "iic/SenseVoiceSmall"
model = AutoModel(model=model_dir,trust_remote_code=True,remote_code="./model.py",vad_model="fsmn-vad",vad_kwargs={"max_single_segment_time": 30000},device="cuda:0",
)res = model.generate(input=f"{model.model_path}/example/en.mp3",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)
首次使用，会下载模型，默认保存在你的根目录下：~/.cache/modelscope/。
2.2 FastAPI 部署
测试成功后，我们采用 FastAPI 把模型部署成一个服务，方便提供给其他应用调用。
2.2.1 服务端
首先准备好服务端代码 speech_server.py：
import torch
import base64
import uvicorn
from fastapi import FastAPI
from funasr import AutoModel
from funasr.utils.postprocess_utils import rich_transcription_postprocess
from pydantic import BaseModel# asr model
model = AutoModel(model="iic/SenseVoiceSmall",trust_remote_code=True,remote_code="./model.py",vad_model="fsmn-vad",vad_kwargs={"max_single_segment_time": 30000},device="cuda:0",
)# 定义asr数据模型，用于接收POST请求中的数据
class ASRItem(BaseModel):wav : str # 输入音频app = FastAPI()
@app.post("/asr")
async def asr(item: ASRItem):try:data = base64.b64decode(item.wav)with open("test.wav", "wb") as f:f.write(data)res = model.generate("test.wav", 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"])result_dict = {"code": 0, "msg": "ok", "res": text}except Exception as e:result_dict = {"code": 1, "msg": str(e)}return result_dictif __name__ == '__main__':uvicorn.run(app, host='0.0.0.0', port=2002)2.2.2 服务启动
CUDA_VISIBLE_DEVICES=0 python speech_server.py > log.txt 2>&1 &
服务成功启动，可以发现显存只占用 1202 M，比上一篇的 FunASR 更轻量~
+-----------------------------------------------------------------------------------------+
| Processes: |
| GPU GI CI PID Type Process name GPU Memory |
| ID ID Usage |
|=========================================================================================|
| 2 N/A N/A 3178377 C python 1202MiB |
+-----------------------------------------------------------------------------------------+
2.2.3 客户端
最后，我们来编写客户端代码：
import base64
import requestsurl = "http://10.18.32.170:2002/"def asr_damo_api(wav_path):headers = {'Content-Type': 'application/json'}with open(wav_path, "rb") as f:wav = base64.b64encode(f.read()).decode()data = {"wav": wav}response = requests.post(url+"asr", headers=headers, json=data)response = response.json()if response['code'] == 0:res = response['res']return reselse:return response['msg']if __name__ == '__main__':res = asr_damo_api("xxx/.cache/modelscope/hub/iic/SenseVoiceSmall/example/en.mp3")print(res)
写在最后
本文通过对 SenseVoice 模型的实操，带领大家快速上手语音识别模型。
希望能激发你的更多创作灵感，打造自己的 AI 助手。
如果你对本项目感兴趣，欢迎点赞收藏并分享给更多朋友！