跳到主要内容

语音识别 (ASR)

语音识别 (ASR, Automatic Speech Recognition) 将用户的语音转换成文字。本项目支持多个语音识别模型的实现。

语音识别相关的配置项，在 conf.yaml 中的 asr_config 下面。

以下是您可以选择的语音识别选项：

sherpa_onnx_asr (本地 & 项目预设)​

备注

(在 v0.5.0-alpha.1 版本的 PR: Add sherpa-onnx support #50 中添加)

sherpa-onnx 是一个功能丰富的推理工具，能运行多种语音识别(ASR)模型。

信息

从 v1.0.0 版本开始，本项目默认使用 sherpa-onnx 运行 SenseVoiceSmall (int8 量化) 模型作为语音识别方案。这是一个开箱即用的配置 - 你无需进行任何额外设置，系统会在首次运行时自动下载模型文件并解压到项目的 models 目录下。

CUDA 推理​

sherpa-onnx 支持 CPU 和 CUDA 推理。虽然预设的 SenseVoiceSmall 模型在 CPU 上已经表现不错，但如果您有 NVIDIA GPU，可以通过以下步骤启用 CUDA 推理来获得更好的性能：

官方文档

注意

注意: sherpa onnx 似乎只支持 CUDA 11.8，但我没有证据。请参考官方文档，安装 CUDA 11.8 以及获取更多信息。

  1. 首先卸载 CPU 版本的依赖：
uv remove sherpa-onnx onnxruntime
# 避免通过依赖引入 onnxruntime
uv remove faster-whisper

注意，示例中 sherpa-onnx 通过预构建 wheel 安装，这意味着您需要安装

CUDA Toolkit 11.x + CUDNN 8.x for CUDA 11.x （并将 %SystemDrive%\Program Files\NVIDIA\CUDNN\v8.x\bin 添加到您的 PATH）

此处x为您的 cudnn 次版本号，如 v8.9.7 版本，此处写 v8.9。

以链接到正确的 CUDA 环境。

如果您不希望使用 NVIDIA 官方安装器/手动设置PATH，可以考虑使用 pixi 管理一个局部的 conda 环境。 这种方式不需要您通过 uv 安装依赖。

pixi remove --pypi onnxruntime sherpa-onnx
pixi add --pypi onnxruntime-gpu==1.17.1 pip
pixi run python -m pip install sherpa-onnx==1.10.39+cuda -f https://k2-fsa.github.io/sherpa/onnx/cuda.html
  1. 安装 CUDA 版本的 sherpa-onnx 和 onnxruntime-gpu 依赖：
# sherpa-onnx 提供的预构建 wheels 和 onnxruntime-gpu==1.17.1 兼容
uv add onnxruntime-gpu==1.17.1 sherpa-onnx==1.10.39+cuda -f https://k2-fsa.github.io/sherpa/onnx/cuda.html
  1. 修改配置文件： 在 conf.yaml 中找到 sherpa_onnx_asr 部分，将 provider 设置为 cuda

使用其他 sherpa-onnx 模型​

如果您想尝试其他语音识别模型：

  1. 从 sherpa-onnx ASR models 下载所需模型
  2. 将模型文件放置在项目的 models 目录下
  3. 按照 conf.yaml 中的说明修改 sherpa_onnx_asr 的相关配置

fun_asr (本地)​

FunASR 是 ModelScope 的一个基础端到端语音识别工具包，支持多种 ASR 模型。其中，阿里的 FunAudioLLM 的 SenseVoiceSmall 模型在性能和速度上都表现不错。

提示

虽然 FunASR 可以运行 SenseVoiceSmall 模型，但我们更推荐使用项目预设的 sherpa_onnx_asr。FunASR 项目存在一定的稳定性问题，可能在某些设备上出现异常。

安装​

在项目目录下，运行

uv add funasr modelscope huggingface_hub onnxconverter_common torch torchaudio onnx
依赖问题解决方案

如果遇到以下依赖问题：

help: `llvmlite` (v0.36.0) was included because `open-llm-vtuber` (v1.0.0a1) depends on `funasr` (v1.2.2) which depends on `umap-learn` (v0.5.7)
      which depends on `pynndescent` (v0.5.13) which depends on `llvmlite`

可以尝试使用以下命令替代：

uv pip install funasr modelscope huggingface_hub torch torchaudio onnx onnxconverter_common
注意

即使模型文件已在本地，启动时仍需要互联网连接。

解决方案：在配置中直接指定模型的本地路径，这样运行时就不需要联网。但需要提前下载好模型文件。详见 FunASR Issue #1897

faster_whisper (本地)​

这是一个优化版的 Whisper 推理引擎，可以运行原版 Whisper 和 distill whisper 模型。相比原版 Whisper 提供了更快的推理速度，但是无法自动识别语言。

信息

在 macOS 系统上，由于只能使用 CPU 运行，性能表现一般。建议在配备 NVIDIA GPU 的设备上使用，可以获得最佳性能。

如果您想使用 GPU 加速（仅限 NVIDIA GPU 用户），需要安装以下 NVIDIA 依赖库。详细的安装步骤请参考快速开始：

如果您不太在意运行速度，或者拥有性能强劲的 CPU，也可以选择在 conf.yaml 配置文件中将 faster-whisper 的 device 参数设置为 cpu。这样可以避免安装 NVIDIA 依赖库的麻烦。

whisper_cpp (本地)​

  • whipser_cpp 在 macOS 上可通过 CoreML 加速，实现较快的推理速度
  • 在 CPU 或 NVIDIA GPU 上运行时，性能可能不如 Faster-Whisper
  • Mac 用户请参考下方说明配置支持 CoreML 的 WhisperCPP；如需使用 CPU 或 NVIDIA GPU，只需运行 pip install pywhispercpp 安装即可

安装​

GGML_CUDA=1 uv pip install git+https://github.com/absadiki/pywhispercpp

CoreML 配置​

  • 方法一：按照 Whisper.cpp 仓库文档说明，将 Whisper 模型转换为coreML 格式
  • 方法二：在 Hugging Face 仓库 下载已转换好的 coreML 模型。注意：下载后需要解压模型文件，否则程序无法加载并会崩溃。
  • 配置说明：在 conf.yaml 中配置模型时，无需包含文件名中的特殊前缀。如，当 coreML 模型文件名为 ggml-base-encoder.mlmodelc 时，只需在WhisperCPP 的 model_name 参数中填写 base 即可。

whisper (本地)​

OpenAI 的原始 Whisper。使用 uv pip install -U openai-whisper 安装。推理速度很慢。

groq_whisper_asr (需要 API 密钥)​

Groq 的 Whisper 端点，非常准确（支持多语言）且速度快，并且每天都有很多免费使用次数。它已预安装。从 groq 获取 API 密钥并将其添加到 conf.yaml 中的 groq_whisper_asr 设置中。中国大陆及其他的不支持地区，需要代理（不支持香港地区）才能使用。

azure_asr (需要 API 密钥)​

  • Azure 语音识别。
  • 在 azure_asr 选项下配置 API key 和地区
注意

api_key.py 在 v0.2.5 之后已弃用。请在 conf.yaml 中设置 API 密钥。