使用FunASR处理语音识别

FunASR是阿里的一个语音识别工具，比SpeechRecognition功能多安装也很简单；

官方介绍：FunASR是一个基础语音识别工具包，提供多种功能，包括语音识别（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。FunASR提供了便捷的脚本和教程，支持预训练好的模型的推理与微调。

网址：FunASR/README_zh.md at main · alibaba-damo-academy/FunASR · GitHub

安装直接用：pip install funasr -i https://pypi.tuna.tsinghua.edu.cn/simple

读取音频需要（我没ffmpeg）：pip install torchaudio -i https://pypi.tuna.tsinghua.edu.cn/simple

官网说：如果需要使用工业预训练模型，安装modelscope（可选）pip install modelscope -i https://pypi.tuna.tsinghua.edu.cn/simple

如果按照官网的代码直接使用model名，第一次使用这个model时，会自动下载对应的model，会在C:\Users\你的用户名\.cache目录里新建modelscope文件夹，将所用到的model下载到里面；

model = AutoModel(model="paraformer-zh",  vad_model="fsmn-vad", punc_model="ct-punc", 
                  # spk_model="cam++"
                  )

所用到的model会在/modelscope/hub/iic/目录里找到，可以拷贝出来使用，代码里直接指定model目录；

也可以自己去他们网站下载model拿来用：FunASR/model_zoo at main · alibaba-damo-academy/FunASR · GitHub

model直接搞出来用：

语音转文字demo：

#!/usr/bin/env python3
# coding = utf-8
"""
# Project: workspace_py
# File: test_funasr.py
# Author: XWF
# Time: 2024/4/15 16:14
"""

from funasr import AutoModel

print('test')

model_path = 'models/modelscope/hub/iic/speech_seaco_paraformer_large_asr_nat-zh-cn-16k-common-vocab8404-pytorch'
vad_path = 'models/modelscope/hub/iic/speech_fsmn_vad_zh-cn-16k-common-pytorch'
punc_path = 'models/modelscope/hub/iic/punc_ct-transformer_zh-cn-common-vocab272727-pytorch'
model = AutoModel(model=model_path,  # model_revision="v2.0.4",
                  vad_model=vad_path,  # vad_model_revision="v2.0.4", vad_kwargs={},
                  punc_model=punc_path,  # punc_model_revision="v2.0.4", punc_kwargs={},
                  # device='cuda:0',
                  device='cpu',
                  ncpu=4,
                  # spk_model="cam++", spk_model_revision="v2.0.4",
                  disable_log=True,
                  disable_pbar=True
                  )

res = model.generate(input='test_24000_16.wav', batch_size_s=300)
print(res)
print(type(res), type(res[0]), res[0].get('text'))

# res = model.generate(input='test_8000_16.pcm', batch_size_s=300)
# print(res)
# print(res[0].get('text'))

with open('test_24000_16.wav', 'rb') as f:
    wav_data = f.read()
res = model.generate(input=wav_data,batch_size_s=1)
print(res)

with open('test_8000_16.pcm', 'rb') as f:
    pcm_data = f.read()
res = model.generate(input=pcm_data, batch_size_s=1)
print(res)

运行结果：

弄到model后直接使用model目录指定model就行，不用再下载了，也不用指定版本；

也可以使用各个model_version指定版本，下载的时候会使用指定的版本下载；

在AutoModel里使用disable_log=True和disable_pbar=True可以关闭那些红红的打印日志，不然满屏幕就会这样：

但是不知道input='test_8000_16.pcm'为啥老是找不到文件报错，跑不通，设置了fs好像也不行；

官网还有许多其他的功能可以去看看；

关于input直接用wav文件正确，但用wav的bytes就识别不对的问题，我去GitHup提问有人告诉我直接使用wav文件，会识别wav头重新调整采样率等信息，而使用bytes不会重新采样，所以使用非16k的会识别错误，得到的方法大概就是换用8k的模型，或者设置采样率参数；

但是设置的fs参数可能需要自己调，好像也不一定就直接是采样率，可能跟别的有关；

使用FunASR处理语音识别

猜你喜欢