SenseVoice-small-onnx语音识别保姆级教程：从pip安装到API调用完整链路

本文面向零基础用户，手把手教你搭建多语言语音识别服务，无需深度学习背景，跟着做就能用

1. 前言：为什么选择SenseVoice-small-onnx

如果你正在寻找一个简单好用的语音识别工具，SenseVoice-small-onnx是个不错的选择。这个模型最大的特点就是"轻量高效"——它经过了ONNX量化处理，体积小巧但功能强大。

简单来说，这个工具能帮你：

• 把语音转换成文字（支持中文、英文、日语、韩语、粤语等50多种语言）
• 自动识别说话人的情感和音频中的特殊事件
• 通过简单的API接口快速集成到你的项目中

最让人惊喜的是它的速度：处理10秒的音频只需要70毫秒，几乎实时就能出结果。无论是做语音笔记、会议记录，还是开发语音交互应用，这个工具都能帮上忙。

2. 环境准备与安装

2.1 系统要求

在开始之前，确保你的电脑满足以下要求：

• 操作系统：Windows 10/11, macOS 10.14+, 或 Linux (Ubuntu 18.04+推荐)
• Python版本：3.8 或更高版本
• 内存：至少4GB RAM
• 存储空间：至少1GB可用空间（用于存放模型和依赖包）

2.2 一键安装依赖

打开你的命令行工具（Windows用CMD或PowerShell，Mac/Linux用Terminal），输入以下命令：

pip install funasr-onnx gradio fastapi uvicorn soundfile jieba

这个命令会安装所有需要的软件包：

• funasr-onnx：核心语音识别库
• gradio和fastapi：用于创建Web界面和API
• uvicorn：运行Web服务的工具
• soundfile：处理音频文件
• jieba：中文分词工具

安装过程可能需要几分钟，取决于你的网络速度。如果遇到网络问题，可以尝试使用国内的镜像源：

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple funasr-onnx gradio fastapi uvicorn soundfile jieba

3. 快速启动语音识别服务

3.1 创建启动脚本

首先创建一个名为app.py的文件，内容如下：

from funasr_onnx import SenseVoiceSmall
from fastapi import FastAPI, File, UploadFile
from fastapi.responses import JSONResponse
import uvicorn
import os

# 初始化模型
model_path = "/root/ai-models/danieldong/sensevoice-small-onnx-quant"
model = SenseVoiceSmall(model_path, batch_size=10, quantize=True)

# 创建FastAPI应用
app = FastAPI(title="SenseVoice语音识别服务")

@app.post("/api/transcribe")
async def transcribe_audio(
    file: UploadFile = File(...),
    language: str = "auto",
    use_itn: bool = True
):
    """语音转写API接口"""
    # 保存上传的音频文件
    audio_content = await file.read()
    with open("temp_audio", "wb") as f:
        f.write(audio_content)
    
    # 进行语音识别
    result = model(["temp_audio"], language=language, use_itn=use_itn)
    
    # 清理临时文件
    os.remove("temp_audio")
    
    return JSONResponse({
        "text": result[0],
        "language": language,
        "status": "success"
    })

@app.get("/health")
async def health_check():
    """健康检查接口"""
    return {"status": "healthy", "model": "sensevoice-small-onnx"}

if __name__ == "__main__":
    uvicorn.run(app, host="0.0.0.0", port=7860)

3.2 启动服务

在命令行中运行：

python app.py

看到类似下面的输出，说明服务启动成功：

INFO:     Started server process [12345]
INFO:     Waiting for application startup.
INFO:     Application startup complete.
INFO:     Uvicorn running on http://0.0.0.0:7860

4. 使用语音识别服务

4.1 通过Web界面使用

打开浏览器，访问 http://localhost:7860，你会看到一个简单的上传界面：

1. 点击"选择文件"按钮，上传你的音频文件（支持mp3、wav、m4a、flac等格式）
2. 选择识别语言（默认auto自动检测）
3. 点击"上传"按钮
4. 几秒钟后就能看到识别结果

4.2 通过API接口调用

如果你更喜欢用代码调用，可以使用以下方式：

import requests

# 准备音频文件
files = {"file": open("你的音频文件.wav", "rb")}
data = {"language": "auto", "use_itn": "true"}

# 发送请求
response = requests.post(
    "http://localhost:7860/api/transcribe",
    files=files,
    data=data
)

# 获取结果
result = response.json()
print(result["text"])

或者使用curl命令测试：

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

4.3 直接在Python中使用

如果你想要更直接的控制，可以在Python代码中直接使用模型：

from funasr_onnx import SenseVoiceSmall

# 初始化模型
model = SenseVoiceSmall(
    "/root/ai-models/danieldong/sensevoice-small-onnx-quant",
    batch_size=10,
    quantize=True
)

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

# 批量识别多个文件
results = model(["audio1.wav", "audio2.mp3", "audio3.m4a"], language="auto")
for i, result in enumerate(results):
    print(f"文件{i+1}识别结果:", result)

5. 实用技巧和最佳实践

5.1 如何获得更好的识别效果

根据我的使用经验，这些技巧能显著提升识别准确率：

1. 音频质量很重要：尽量使用清晰的录音，避免背景噪音
2. 选择正确的语言：如果你知道录音的语言，直接指定而不是用auto
3. 使用ITN功能：逆文本正则化能让数字、日期等格式更规范
4. 适当的音频长度：虽然支持长音频，但3-5分钟的片段识别效果最好

5.2 常见语言代码参考

语言	代码	使用场景
自动检测	auto	不确定语言时使用
中文	zh	普通话录音
英语	en	英文内容
粤语	yue	广东话录音
日语	ja	日语内容
韩语	ko	韩语内容

5.3 处理大量音频文件

如果你需要处理很多音频文件，可以使用批处理模式：

import os
from funasr_onnx import SenseVoiceSmall

model = SenseVoiceSmall("/root/ai-models/danieldong/sensevoice-small-onnx-quant")

# 处理整个文件夹的音频文件
audio_folder = "你的音频文件夹"
audio_files = [os.path.join(audio_folder, f) for f in os.listdir(audio_folder) 
               if f.endswith(('.wav', '.mp3', '.m4a'))]

# 分批处理，避免内存不足
batch_size = 5
for i in range(0, len(audio_files), batch_size):
    batch = audio_files[i:i+batch_size]
    results = model(batch, language="auto")
    
    for file_path, text in zip(batch, results):
        print(f"{file_path}: {text}")
        # 这里可以保存结果到文件或数据库

6. 常见问题解答

问题1：模型文件在哪里下载？ 答：服务会自动下载和管理模型文件，你不需要手动下载。模型会保存在/root/ai-models/danieldong/sensevoice-small-onnx-quant目录下。

问题2：支持哪些音频格式？ 答：支持常见的音频格式，包括wav、mp3、m4a、flac等。建议使用wav格式获得最佳效果。

问题3：ITN功能有什么用？ 答：ITN（逆文本正则化）能把口语化的表达转换成规范的文本格式。比如把"三点钟"转换成"3:00"，"百分之二十"转换成"20%"。建议保持开启。

问题4：服务启动失败怎么办？ 答：检查以下几点：

• Python版本是否是3.8+
• 所有依赖包是否安装成功
• 7860端口是否被其他程序占用（可以换其他端口试试）

问题5：识别速度慢怎么办？ 答：确保使用的是量化模型（quantize=True），这是速度最快的版本。另外，音频文件不要太大，过长的音频可以分段处理。

7. 总结

通过这个教程，你应该已经成功搭建了自己的语音识别服务。SenseVoice-small-onnx最大的优势就是简单易用——不需要复杂的配置，不需要深度学习知识，只需要几行命令就能获得专业级的语音识别能力。

这个工具特别适合：

• 个人用户做语音笔记和记录整理
• 开发者快速为应用添加语音输入功能
• 小团队处理会议录音和访谈内容
• 学习研究多语言语音识别技术

最重要的是，整个服务都是离线的，你的音频数据不会上传到任何服务器，保证了隐私和安全。

现在你可以开始尝试处理自己的音频文件了。从简单的短录音开始，逐步尝试更复杂的场景。遇到问题可以回头查看对应的章节，或者多试试不同的参数设置。

---

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。