SenseVoice语音识别入门：从安装到API调用完整指南

1. 语音识别新选择：为什么选择SenseVoice

如果你正在寻找一个既快速又准确的多语言语音识别工具，SenseVoice可能会让你眼前一亮。这个基于ONNX量化的语音识别服务，不仅支持中文、英语、日语、韩语等主流语言，还能自动识别粤语这样的方言。

最吸引人的是它的性能表现——10秒的音频只需要70毫秒就能完成识别，这意味着几乎是实时转写。无论是做会议记录、语音笔记，还是开发语音交互应用，SenseVoice都能提供专业级的识别效果。

读完这篇指南，你将学会：

• 如何快速安装和部署SenseVoice语音识别服务
• 通过Web界面直接体验语音转写功能
• 使用REST API进行编程调用
• 用Python代码集成到自己的项目中
• 处理常见格式的音频文件并获得准确结果

2. 环境准备与快速安装

2.1 系统要求与依赖安装

SenseVoice可以在大多数Linux、Windows和macOS系统上运行。建议使用Python 3.8或更高版本。

打开终端，执行以下命令安装所需依赖：

# 创建并激活虚拟环境（可选但推荐）
python -m venv sensevoice_env
source sensevoice_env/bin/activate  # Linux/macOS
# 或
sensevoice_env\Scripts\activate     # Windows

# 安装核心依赖包
pip install funasr-onnx gradio fastapi uvicorn soundfile jieba

这些包各自负责不同的功能：

• funasr-onnx: ONNX推理引擎，负责模型加载和语音识别
• gradio: 提供友好的Web界面
• fastapi和uvicorn: 构建REST API服务
• soundfile: 处理音频文件读取
• jieba: 中文分词工具，提升中文识别准确率

2.2 一键启动服务

安装完成后，启动服务非常简单：

python app.py --host 0.0.0.0 --port 7860

如果一切正常，你会看到类似这样的输出：

INFO:     Started server process [12345]
INFO:     Waiting for application startup.
INFO:     Application startup complete.
INFO:     Uvicorn running on http://0.0.0.0:7860 (Press CTRL+C to quit)

现在服务已经启动，可以通过浏览器访问了。

3. 快速体验Web界面

3.1 访问Web UI

在浏览器中输入 http://localhost:7860（如果是在本地运行），你会看到一个简洁的语音识别界面。

界面主要包含几个部分：

• 音频文件上传区域：可以拖放或点击选择音频文件
• 语言选择下拉菜单：支持自动检测、中文、英语、粤语、日语、韩语
• 转写按钮：开始处理音频
• 结果显示区域：显示识别后的文本

3.2 第一次语音转写体验

找一段短的音频文件（支持wav、mp3、m4a等格式），按照以下步骤操作：

1. 点击"Upload Audio"按钮选择音频文件
2. 在语言选择中选择"auto"（自动检测）或指定语言
3. 确保"Use ITN"选项被勾选（逆文本正则化，让结果更自然）
4. 点击"Transcribe"按钮开始识别

几秒钟后，你就能在结果区域看到识别出的文字。如果音频质量不错，识别准确率通常会很高。

4. API接口调用详解

4.1 REST API基础调用

除了Web界面，SenseVoice提供了完整的REST API接口，方便开发者集成到自己的应用中。

最基本的调用方式使用curl命令：

curl -X POST "http://localhost:7860/api/transcribe" \
  -F "file=@your_audio.wav" \
  -F "language=auto" \
  -F "use_itn=true"

参数说明：

• file: 音频文件路径，支持多种格式
• language: 识别语言，默认为"auto"自动检测
• use_itn: 是否使用逆文本正则化，建议设为true

4.2 API响应格式

成功的API调用会返回JSON格式的响应：

{
  "status": "success",
  "text": "这是识别出的文字内容",
  "language": "zh",
  "processing_time": 0.075
}

如果出现错误，会返回相应的错误信息：

{
  "status": "error",
  "message": "No audio file provided"
}

4.3 编程语言调用示例

在不同编程语言中调用API的方法：

Python示例：

import requests

def transcribe_audio(file_path, language="auto"):
    url = "http://localhost:7860/api/transcribe"
    files = {"file": open(file_path, "rb")}
    data = {"language": language, "use_itn": "true"}
    
    response = requests.post(url, files=files, data=data)
    return response.json()

# 使用示例
result = transcribe_audio("meeting.wav")
print(result["text"])

JavaScript示例：

async function transcribeAudio(file) {
    const formData = new FormData();
    formData.append('file', file);
    formData.append('language', 'auto');
    formData.append('use_itn', 'true');
    
    const response = await fetch('http://localhost:7860/api/transcribe', {
        method: 'POST',
        body: formData
    });
    
    return await response.json();
}

5. Python直接调用指南

5.1 初始化模型

如果你希望直接在Python代码中使用SenseVoice，而不通过HTTP服务，可以这样初始化模型：

from funasr_onnx import SenseVoiceSmall

# 初始化模型
model = SenseVoiceSmall(
    model_dir="/root/ai-models/danieldong/sensevoice-small-onnx-quant",
    batch_size=1,      # 批处理大小，根据需求调整
    quantize=True      # 使用量化模型，减少内存占用
)

5.2 单文件识别示例

# 识别单个音频文件
result = model(["audio.wav"], language="auto", use_itn=True)
print(f"识别结果: {result[0]}")

5.3 批量处理多个文件

# 批量处理多个音频文件
audio_files = ["meeting1.wav", "interview.mp3", "lecture.m4a"]
results = model(audio_files, language="zh", use_itn=True)

for i, result in enumerate(results):
    print(f"文件 {audio_files[i]} 的识别结果:")
    print(result)
    print("-" * 50)

5.4 实时音频流处理

对于实时音频流，可以使用以下方式：

import numpy as np
import sounddevice as sd

# 实时录音和识别
def real_time_recognition(duration=5, sample_rate=16000):
    print("开始录音...")
    audio_data = sd.rec(int(duration * sample_rate), 
                       samplerate=sample_rate, 
                       channels=1, 
                       dtype='float32')
    sd.wait()
    print("录音完成，开始识别...")
    
    # 保存临时文件进行识别
    import soundfile as sf
    sf.write("temp.wav", audio_data, sample_rate)
    
    result = model(["temp.wav"], language="auto", use_itn=True)
    return result[0]

# 使用示例
text = real_time_recognition(duration=10)
print(f"识别结果: {text}")

6. 实用技巧与常见问题

6.1 提升识别准确率的技巧

1. 音频质量很重要：尽量使用清晰的音频源，避免背景噪音
2. 选择合适的采样率：16kHz通常能获得最佳效果
3. 语言选择策略：如果知道音频语言，直接指定比自动检测更准确
4. 分段处理长音频：对于很长的音频，分段处理可以提高稳定性

# 长音频分段处理示例
def process_long_audio(file_path, segment_duration=30):
    import librosa
    from pydub import AudioSegment
    
    audio = AudioSegment.from_file(file_path)
    duration = len(audio) / 1000  # 转换为秒
    
    results = []
    for start in range(0, int(duration), segment_duration):
        end = min(start + segment_duration, duration)
        segment = audio[start*1000:end*1000]
        segment.export("temp_segment.wav", format="wav")
        
        result = model(["temp_segment.wav"], language="zh", use_itn=True)
        results.append(result[0])
    
    return "".join(results)

6.2 常见问题解决

问题1：模型加载失败 解决方案：检查模型路径是否正确，确保有足够的磁盘空间

问题2：识别结果不准确 解决方案：检查音频质量，尝试指定确切的语言而不是自动检测

问题3：处理速度慢 解决方案：减少batch_size参数，或者检查系统资源使用情况

问题4：内存不足 解决方案：使用量化模型（quantize=True），减少并发处理数量

6.3 支持的音频格式

SenseVoice支持多种常见音频格式：

• WAV（推荐，无损格式识别效果最好）
• MP3（最常用的压缩格式）
• M4A（苹果设备常用格式）
• FLAC（无损压缩格式）
• OGG（开源格式）

建议优先使用WAV格式获得最佳识别效果，如果使用压缩格式，请确保比特率不低于128kbps。

7. 总结

SenseVoice提供了一个强大而易用的语音识别解决方案，无论是通过Web界面快速体验，还是通过API集成到现有系统，都能满足不同用户的需求。

关键要点回顾：

1. 安装简单，只需几个命令就能搭建完整服务
2. 支持多语言识别，包括中文和方言
3. 识别速度快，10秒音频仅需70毫秒
4. 提供Web界面和API两种使用方式
5. 支持多种音频格式，适应不同场景需求

下一步学习建议：

• 尝试处理不同语言和口音的音频，了解识别效果差异
• 探索批量处理功能，提高工作效率
• 考虑将语音识别集成到自己的应用或工作流程中
• 关注模型更新，新版本通常会带来性能提升和功能增强

现在你已经掌握了SenseVoice的基本使用方法，可以开始探索语音识别在各种场景下的应用了。无论是做会议记录、语音笔记，还是开发智能语音应用，SenseVoice都能成为你的得力助手。

---

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。