SenseVoice- 中国版 Whisper 来了，5分钟带你部署体验
中国版 Whisper 来了，5分钟带你部署体验https://i-blog.csdnimg.cn/direct/c473211bec9e433a81d312873fee9f81.png
https://i-blog.csdnimg.cn/direct/390ff639a9fc45b2a667398d8294688e.png
原创 猴哥 猴哥的AI知识库 2024年07月23日 11:29 江苏
https://i-blog.csdnimg.cn/img_convert/ce668591a205a9ee367d62365bc2a64a.png
猴哥的第 46 期分享，欢迎追看
前段时间，带着各人捏了一个对话呆板人：手把手带你搭建一个语音对话呆板人，5分钟定制个人AI小助手（新手入门篇）
此中语音识别（ASR）方案，接纳的是阿里开源的 FunASR，这刚不久，阿里又开源了一个更强的音频基础模型，该模型具有如下本领：
[*] 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
本日就带着各人体验一番~
0. 项目简介
模型结构如下图所示：
https://i-blog.csdnimg.cn/img_convert/967d10477e82275bd67e0b86821885a7.png
模型亮点：
[*] 多语言语音识别：颠末超过40万小时的数据训练，支持50多种语言，其识别性能逾越了Whisper模型。
[*] 丰富的转录本领：具备出色的情感识别本领，在测试数据上逾越了当前最佳模型。提供声音事件检测本领，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模型接纳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题目。
1. 在线体验
在线体验地点：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。
https://i-blog.csdnimg.cn/img_convert/883ff07fc8ad01d25d02a159b5f63a8a.png
情感识别：比如积极 or 灰心，以 Emoji 表情输出。
https://i-blog.csdnimg.cn/img_convert/9e3710d5c644a38c2cbe7354124cf0e3.png
音频事件检测：同样以 Emoji 表情输出。
https://i-blog.csdnimg.cn/img_convert/a2278fc408d61a0a6519270681820c7e.png
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，假如要同时使用这两个模型，会出现版本冲突，所以最好接纳 conda 管理 python 环境。
[*] 本项目依赖的 torchaudio 必要更新到最新版本，否则会出现报错。
接下来，我们接纳官方脚本进行测试：
from funasr import AutoModel
from funasr.utils.postprocess_utils import rich_transcription_postprocess
model_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["text"])
print(text)
首次使用，会下载模型，默认保存在你的根目次下：~/.cache/modelscope/。
2.2 FastAPI 部署
测试成功后，我们接纳 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
首先预备好服务端代码 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["text"])
result_dict = {"code": 0, "msg": "ok", "res": text}
except Exception as e:
result_dict = {"code": 1, "msg": str(e)}
return result_dict
if __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
末了，我们来编写客户端代码：
import base64
import requests
url = "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 res
else:
return response['msg']
if __name__ == '__main__':
res = asr_damo_api("xxx/.cache/modelscope/hub/iic/SenseVoiceSmall/example/en.mp3")
print(res)
写在末了
本文通过对 SenseVoice 模型的实操，带领各人快速上手语音识别模型。
结合语音识别、大模型，可以轻松实现打造一个 AI 语音对话助手。感爱好的小伙伴快去试试吧~
假如本文对你有帮助，欢迎点赞在看转发备用。你的支持是我创作的最大动力。
页:
[1]