SenseVoice-small-onnx多语言ASR入门教程：Gradio Web UI零代码体验语音识别

想体验多语言语音识别，但被复杂的代码和部署流程劝退？今天，我来带你用最简单的方式，零代码上手SenseVoice-small-onnx模型。这是一个基于ONNX量化的多语言语音识别服务，你不需要懂深度学习，也不需要写复杂的Python脚本，通过一个直观的Web界面，就能轻松将中文、粤语、英语、日语、韩语的语音转换成文字。

整个过程就像使用一个在线工具，点击上传、自动识别、查看结果。无论你是开发者想快速集成语音功能，还是普通用户想体验AI语音识别的魅力，这篇教程都能让你在10分钟内看到实际效果。

1. 快速了解：SenseVoice-small-onnx能做什么？

在开始动手之前，我们先花两分钟了解一下这个工具的核心能力。知道它能做什么，你才能更好地用它。

SenseVoice-small-onnx是一个轻量级的语音识别模型。简单来说，你给它一段录音，它就能把里面说的话转成文字。它的特别之处在于“小”和“多”。

“小”指的是模型体积和速度快。它经过了ONNX格式的量化处理，模型文件只有230MB左右，对电脑配置要求很低。推理速度非常快，处理10秒钟的音频，大概只需要70毫秒，几乎是瞬间完成。

“多”指的是支持的语言多。它最擅长处理以下五种语言：

• 中文（普通话）：识别日常对话、会议记录、音频转字幕。
• 粤语：专门优化了粤语识别，对于粤语使用者非常友好。
• 英语：支持英文语音转写。
• 日语：可以识别日语语音。
• 韩语：同样支持韩语识别。

更厉害的是，它支持自动语言检测。你上传一段音频，不用告诉它是什么语言，它能自己判断并选择对应的模型进行识别，目前支持超过50种语言的自动检测。

除了基本的转写，它还有一些实用功能：

• 富文本输出：不仅能转文字，还能尝试识别语音中的情感（比如高兴、生气）和音频事件（比如笑声、掌声）。
• 逆文本正则化（ITN）：这是一个很贴心的功能。比如，你把“下午三点”说成“下午3点”，它会把“三”自动转成“3”；说“百分之二十”，它会输出“20%”。这让转写结果更符合书面阅读习惯。

接下来，我们就一步步把它跑起来。

2. 环境准备：一行命令安装所有依赖

这个服务基于Python，我们需要先准备好运行环境。别担心，步骤非常简单。

首先，确保你的电脑上已经安装了Python 3.8或更高版本。你可以打开命令行终端（Windows上是CMD或PowerShell，Mac/Linux上是Terminal），输入以下命令检查：

python3 --version

如果显示了Python版本号（比如 Python 3.10.12），说明环境没问题。如果没有，你需要先去Python官网下载并安装。

接下来，安装项目运行所需要的所有软件包。我们只需要执行一条安装命令：

pip install funasr-onnx gradio fastapi uvicorn soundfile jieba

这条命令会安装五个核心的包：

• funasr-onnx: 这是核心的语音识别推理库，SenseVoice模型就靠它来运行。
• gradio: 用来构建我们即将使用的那个可视化Web界面，让你能通过网页上传音频和查看结果。
• fastapi 和 uvicorn: 这是创建高效API服务的框架，Gradio界面背后调用的就是它。
• soundfile: 用来读取和处理音频文件。
• jieba: 中文分词库，帮助提升中文识别的准确性。

通常，这条命令会在几秒到一分钟内完成。安装成功后，我们的基础环境就准备好了。

3. 启动服务：运行脚本，打开浏览器

环境准备好后，启动服务就是一瞬间的事。我们需要先获取服务启动的脚本。

假设你已经从CSDN星图镜像广场或其他地方获得了这个服务的代码包，里面应该会有一个名为 app.py 的主程序文件。我们只需要在终端里，进入到这个文件所在的目录。

例如，如果你的 app.py 文件放在桌面的一个叫 sensevoice-demo 的文件夹里，你可以这样操作：

# 切换到文件所在目录 (请将路径替换成你自己的实际路径)
cd ~/Desktop/sensevoice-demo

# 启动服务
python3 app.py --host 0.0.0.0 --port 7860

执行 python3 app.py 命令后，你会看到终端开始输出一些信息。服务启动时，它会自动检查并下载所需的模型文件。这里有一个好消息：如果你使用的是CSDN星图镜像，模型很可能已经预下载好了，路径在 /root/ai-models/danieldong/sensevoice-small-onnx-quant，服务会优先使用这个缓存模型，无需等待漫长的下载，几乎是秒启动。

当你看到类似下面的输出时，说明服务已经成功启动了：

Running on local URL:  http://0.0.0.0:7860

现在，打开你电脑上的浏览器（Chrome、Firefox、Edge等都可以），在地址栏输入 http://localhost:7860，然后按下回车。

一个简洁、直观的Web界面就会出现在你面前！这意味着最复杂的部分已经完成了，接下来就是愉快的体验时间。

4. 零代码体验：使用Gradio Web界面

Gradio界面设计得非常人性化，主要功能区域一目了然。我们来熟悉一下怎么使用它。

界面通常包含以下几个部分：

1. 音频上传区域：这里有一个文件选择按钮，点击它就可以从你的电脑里选择音频文件（支持mp3, wav, m4a, flac等常见格式）。
2. 语言选择下拉框：你可以在这里指定音频的语言。如果你不确定，或者音频里可能混有多种语言，强烈建议选择 auto（自动检测），让模型自己判断，这是最省心且准确率很高的方式。
3. 功能开关：可能会有一个“启用ITN（逆文本正则化）”的复选框，勾选它，可以让转写结果中的数字、百分比等更规范。
4. “提交”或“转写”按钮：上传好文件，选好设置后，点击这个按钮开始识别。
5. 结果显示区域：识别完成后，转写的文字会显示在这里。

我们来做一个完整的测试：

• 第一步：点击“上传音频”按钮，从你的电脑里选择一个音频文件。比如，你可以用手机录一段自己说“今天天气真好，我们去公园散步吧”的录音，保存为MP3格式传上来。
• 第二步：在语言选择里，保持默认的 auto。
• 第三步：确保“使用ITN”是勾选状态。
• 第四步：点击“提交”按钮。

稍等片刻（对于短音频就是一瞬间），下方的结果框里就会显示出识别出的文字：“今天天气真好，我们去公园散步吧。”。整个过程，你没有写任何代码，只是点了几下鼠标。

你可以多尝试几种情况：

• 上传一段英文播客片段。
• 找一段粤语歌曲的音频前奏说话部分试试。
• 测试一下包含数字的句子，比如“请拨打12345678联系我”，看看ITN功能是否将其转为“请拨打12345678联系我”。

这种交互方式，非常适合快速测试模型效果、处理单个音频文件，或者给非技术人员演示语音识别的能力。

5. 进阶使用：了解API接口

Web界面很方便，但如果你是一名开发者，想要把这个语音识别功能集成到你自己的程序、网站或APP里，该怎么办呢？这就需要用到它提供的REST API接口了。

这个服务在启动后，除了Web界面（http://localhost:7860），还自动提供了一个API文档页面（http://localhost:7860/docs）和一套可编程调用的接口。这意味着你可以用任何能发送HTTP请求的工具或编程语言来调用它。

最常用的接口是转录接口。你可以使用像 curl 这样的命令行工具来快速测试API：

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

把 /你的路径/audio.wav 换成你电脑上真实的音频文件路径。执行命令后，服务器会返回一个JSON格式的结果，里面就包含了转写好的文本。

如果你更喜欢用Python，可以这样写：

import requests

# API地址
url = "http://localhost:7860/api/transcribe"
# 准备要上传的文件
files = {'file': open('你的音频文件.mp3', 'rb')}
# 设置参数
data = {'language': 'auto', 'use_itn': True}

# 发送请求
response = requests.post(url, files=files, data=data)

# 打印结果
print(response.json())

通过API，你可以实现批量处理音频、将语音识别嵌入自动化流程等更高级的功能。API的响应速度同样非常快，能满足大多数应用场景的需求。

6. 总结

回顾一下，我们完成了从零开始体验SenseVoice-small-onnx多语言语音识别的全过程：

1. 一分钟理解核心价值：我们了解到它是一个快速、轻量、支持中英日韩粤五种语言并能自动检测的语音识别工具，还具备ITN等贴心功能。
2. 一行命令搭建环境：通过 pip install 安装了所有必需的Python包。
3. 一条指令启动服务：运行 python3 app.py 启动了本地服务，并利用镜像预下载的模型实现了快速启动。
4. 零代码交互体验：在浏览器中打开Gradio提供的友好界面，通过上传文件、点击按钮完成了语音转文字，直观地感受到了识别效果和速度。
5. 探索集成可能性：了解了如何通过标准的REST API接口，用命令行或Python代码调用该服务，为后续集成开发打下了基础。

这个教程展示了如何以最便捷的方式“用起来”一个AI模型。SenseVoice-small-onnx凭借其优秀的量化技术，在保持高精度的同时，大大降低了使用门槛和资源消耗。无论是用于学习体验、快速原型验证，还是作为大型应用中的一个组件，它都是一个非常出色的选择。

---

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。