Whisper-large-v3

Whisper模型介绍

ModelScope-FunASR

FunASR希望在语音识别方面建立学术研究和工业应用之间的桥梁。通过支持在ModelScope上发布的工业级语音识别模型的训练和微调，研究人员和开发人员可以更方便地进行语音识别模型的研究和生产，并促进语音识别生态系统的发展。

最新动态**

• *环境安装**
• *介绍文档**
• *中文教程**
• *服务部署**
• *模型库**
• *联系我们**

基于ModelScope进行推理

推理支持音频格式如下：

• wav文件路径，例如：data/test/audios/asr example.wav
• pcm文件路径，例如：data/test/audios/asr example.pcm
• wav文件url，例如：https://isv-data.oss-cn-hangzhou.aliyuncs.com/ics/MaaS/ASR/test audio/asr example zh.wav
• wav二进制数据，格式bytes，例如：用户直接从文件里读出bytes数据或者是麦克风录出bytes数据。
• 已解析的audio音频，例如：audio, rate = soundfile.read("asr example zh.wav")，类型为numpy.ndarray或者torch.Tensor。
• wav.scp文件，需符合如下要求：

若输入格式wav文件url，api调用方式可参考如下范例：

输入音频为pcm格式，调用api时需要传入音频采样率参数fs，例如：

输入音频为wav格式，api调用方式可参考如下范例:

若输入格式为文件wav.scp(注：文件名需要以.scp结尾)，可添加 output dir 参数将识别结果写入文件中，api调用方式可参考如下范例:

识别结果输出路径结构如下：

score：识别路径得分

text：语音识别结果文件

若输入音频为已解析的audio音频，api调用方式可参考如下范例：

ASR、VAD、PUNC模型自由组合

可根据使用需求对VAD和PUNC标点模型进行自由组合，使用方式如下：

若不使用PUNC模型，可配置punc model=""，或不传入punc model参数，如需加入LM模型，可增加配置lm model='damo/speech transformer lm zh-cn-common-vocab8404-pytorch'，并设置lm weight和beam size参数。

基于FunASR进行推理

下面为快速上手教程，测试音频（中文，英文）

可执行命令行

在命令行终端执行：

注：支持单条音频文件识别，也支持文件列表，列表为kaldi风格wav.scp： wav id wav path

python示例

非实时语音识别

注： model hub ：表示模型仓库， ms 为选择modelscope下载， hf 为选择huggingface下载。

实时语音识别

注： chunk size 为流式延时配置， [0,10,5] 表示上屏实时出字粒度为 10*60=600ms ，未来信息为 5*60=300ms 。每次推理输入为 600ms （采样点数为 16000*0.6=960 ），输出为对应文字，最后一个语音片段输入需要设置 is final=True 来强制输出最后一个字。

语音端点检测（非实时）

语音端点检测（实时）

标点恢复

时间戳预测

更多详细用法（示例）

微调

详细用法（示例）

使用方式以及适用范围

运行范围

支持Linux-x86 64、Mac和Windows运行。

使用方式

直接推理：可以直接对输入音频进行解码，输出目标文字。

使用范围与目标场景

适合于离线语音识别场景

模型局限性以及可能的偏差

考虑到特征提取流程和工具以及训练工具差异，会对CER的数据带来一定的差异（