README.md

metadata

license: mit
language:
  - en
pipeline_tag: automatic-speech-recognition

sensevoice.axera

FunASR SenseVoice on Axera, official repo: https://github.com/FunAudioLLM/SenseVoice

TODO

• 支持AX630C
• 支持C++
• 支持FastAPI

功能

• 语音识别
• 自动识别语言(支持中文、英文、粤语、日语、韩语)
• 情感识别
• 自动标点
• 支持流式识别

支持平台

• AX650N
• AX630C

环境安装

pip3 install -r requirements.txt

如果空间不足可以使用 --prefix 指定别的安装路径

使用

# 首次运行会自动从huggingface上下载模型, 保存到models中
python3 main.py -i 输入音频文件

运行参数说明:

参数名称	说明	默认值
--input/-i	输入音频文件
--language/-l	识别语言，支持auto, zh, en, yue, ja, ko	auto
--streaming	流式识别

示例:

example下有测试音频

如 粤语测试

python3 main.py -i example/yue.mp3

输出

RTF: 0.03026517820946964    Latency: 0.15689468383789062s  Total length: 5.184s
['呢几个字。', '都表达唔到，我想讲嘅意。', '思。']

流式识别

python3 main.py -i example/zh.mp3 --streaming

输出

{'timestamps': [540], 'text': '开'}
{'timestamps': [540, 780, 1080], 'text': '开放时'}
{'timestamps': [540, 780, 1080, 1260, 1740], 'text': '开放时间早'}
{'timestamps': [540, 780, 1080, 1260, 1740, 1920, 2340], 'text': '开放时间早上9'}
{'timestamps': [540, 780, 1080, 1260, 1740, 1920, 2340, 2640], 'text': '开放时间早上9点'}
{'timestamps': [540, 780, 1080, 1260, 1740, 1920, 2340, 2640, 3060], 'text': '开放时间早上9点至'}
{'timestamps': [540, 780, 1080, 1260, 1740, 1920, 2340, 2640, 3060, 3780, 4020], 'text': '开放时间早上9点至下午'}
{'timestamps': [540, 780, 1080, 1260, 1740, 1920, 2340, 2640, 3060, 3780, 4020, 4440, 4620], 'text': '开放时间早上9点至下午五点'}
RTF: 0.03678379235444246

准确率

使用WER(Word-Error-Rate)作为评价标准

WER = 0.0389

复现测试结果

./download_datasets.sh
python test_wer.py -d datasets -l zh

技术讨论

• Github issues
• QQ 群: 139953715