基于FunASR开发的可私有化部署的语音转文字接口 | FunASR接口开发 | 语音识别接口私有化部署-深圳市維司達科技有限公司

0. 效果演示

点击观看视频讲解

项目已经开源，国内可访问，国外可访问。如果觉得这个项目不错，不妨给作者一个 Star，谢谢，Thank you.

1. 项目背景说明

这个项目基于阿里开源的 FunASR 进行开发，使用 fastapi 开发成 API 接口，数据存储到 MySQL 中。
该项目可以运行于 Linux，MacOS 和 Windows 系统中，在对应系统中安装 Python 环境即可运行。
该项目是一个 API 接口，没有界面，适用于其它项目通过 HTTP 进行调用。可支持任意语言发送 HTTP 请求进行调用，比如支持：Java, C++，C，PHP，Go，JavaScript 等均可调用本接口。

2. 项目环境安装

这里以 Windows 为例，当然 Linux 和 MacOS 也是支持的，这里写文档以在 Windows 安装使用为例子，其它系统类似。

2.1. 安装显卡驱动

首先选择安装“显卡驱动”如果你想要使用"CUDA"来加速推理，当然前提是你要有英伟达显卡。
大部分电脑已经自动给你安装好了的，这个一般不需要你操作安装。可使用下面命令查看你电脑或者服务器中目前的显卡驱动版本。

nvidia-smi

2.2. 安装CUDA

这个也是你使用英伟达显卡才需要安装，如果你使用的 Mac 的芯片，无需安装，可跳过这步骤。
可访问下面地址选择你对应的版本和系统。注意：安装的 CUDA 版本一定要是 nvidia-smi 中支持的版本。

https://developer.nvidia.com/cuda-downloads

安装完成之后可以使用 nvcc -V 查看是否可以输出版本信息，如果是 Linux 和 MacOS 还需要配置系统环境变量。具体如何配置可以查看我之前发布的文章，访问下面地址。

https://blog.lukeewin.top/archives/linux-cuda-cudnn

2.3. 安装FFMPEG

这个 ffmpeg 在本项目中用于音频的统一编码用，必须安装。
可访问下面网址下载 ffmpeg，解压然后配置系统环境变量。

https://ffmpeg.org/download.html

如何配置系统环境变量，网上有很多教程，这里不展开。
安装并配置好环境变量之后，可以验证一下是否可正常使用，使用下面命令，如果有版本信息输出，说明配置正确。

ffmpeg -version

2.4. 安装Miniconda

可访问下面网址，下载安装 Miniconda

https://www.anaconda.com/download

为了方便大家的下载，这里直接给出不同系统的下载地址。
下面是 Windows X86_64 系统对应的 Miniconda 安装包。

https://repo.anaconda.com/miniconda/Miniconda3-latest-Windows-x86_64.exe

下面是 MacOS 苹果芯片的对应安装包。(图形界面)

https://repo.anaconda.com/miniconda/Miniconda3-latest-MacOSX-arm64.pkg

下面是 MacOS 苹果芯片对应的安装包。（命令行）

https://repo.anaconda.com/miniconda/Miniconda3-latest-MacOSX-arm64.sh

下面是 MacOS 英特尔芯片对应的安装包。（图形界面）

https://repo.anaconda.com/miniconda/Miniconda3-latest-MacOSX-x86_64.pkg

下面是 MacOS 英特尔芯片对应的安装包。（命令行）

https://repo.anaconda.com/miniconda/Miniconda3-latest-MacOSX-x86_64.sh

Linux 的对应安装包。（这里只给 X86_64 的安装包，如果需要其它的安装包，需要自己到官方网站中获取下载链接）

https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh

3. 创建虚拟环境并安装Python依赖

创建虚拟环境，使用下面命令：

conda create -n funasrpython=3.11

进入环境

conda activate funasr

安装依赖

pipinstall-U funasr modelscope python-dotenv fastapi uvicorn PyMySQL DBUtils python-multipart

4. 运行和使用

4.1 运行

运行之前需要在项目目录中创建 .env 文件，写入下面配置信息。

DB_HOST=127.0.0.1 DB_PORT=3306 DB_USER=root DB_PASSWORD=123456 DB_NAME=funasr_api

这里使用的是 MySQL 数据库，你需要在 MySQL 中创建一个名为 funasr_api 的数据库，然后执行 funasr_api.sql 文件。

python app.py

默认使用的是 9090 端口。

4.2 使用

转写接口 /asr

发送POST请求，form-data形式，传入参数file，类型File

/asr 接口响应如下：

{"text":"现在我来录制十秒钟的音频来测试一下一句话识别，看看识别的速度怎么样。","segments":[{"text":"现在我来录制十秒钟的音频来测试一下一句话识别，","start":"00:00:00.780","end":"00:00:07.400","speaker":0},{"text":"看看识别的速度怎么样。","start":"00:00:07.620","end":"00:00:10.015","speaker":0}],"language":"zh"}

转写接口 /trans/file

发送POST请求，form-data形式，传入参数file，类型File

/trans/file 接口响应如下：

{"code":200,"status":"ok","message":"success","data":{"sentences":[{"text":"现在我来录制十秒钟的音频来测试一下一句话识别，","start":"00:00:00.780","endTime":"00:00:07.400","speaker":0},{"text":"看看识别的速度怎么样。","start":"00:00:07.620","endTime":"00:00:10.015","speaker":0}]}}

转写接口 /trans/audio_url

发送POST请求，form-data形式，传入参数audio_url，类型String

/trans/audio_url 响应如下：

{"code":200,"status":"success","message":"上传成功","data":{"task_id":"75681bf99f144616979e062fb3480067"}}

获取转写结果接口 /result

发送POST请求，form-data形式，字段task_id，类型String

响应如下：

{"code":200,"status":"success","message":"获取结果成功","data":{"sentences":[{"sentence_index":1,"text":"嗯，","start":"00:00:00.370","end":"00:00:00.610","spk":0},{"sentence_index":2,"text":"那么今天我们就简单的进行一下那个新生招聘的嗯讨论吧。","start":"00:00:00.630","end":"00:00:06.890","spk":0},{"sentence_index":3,"text":"因为现在不是好像就新生到校嘛，","start":"00:00:06.910","end":"00:00:10.050","spk":0},{"sentence_index":4,"text":"然后我们社团呢也需要招聘一些新的社员，","start":"00:00:10.350","end":"00:00:13.450","spk":0},{"sentence_index":5,"text":"然后就今天就大概就讨论一下嗯怎么招聘的内容吧。","start":"00:00:13.950","end":"00:00:18.890","spk":0},{"sentence_index":6,"text":"嗯，","start":"00:00:19.250","end":"00:00:19.490","spk":0},{"sentence_index":7,"text":"我们就首先想一下那个招聘的地点在哪里吧？","start":"00:00:19.570","end":"00:00:23.505","spk":0},{"sentence_index":8,"text":"嗯，","start":"00:00:24.370","end":"00:00:24.590","spk":1},{"sentence_index":9,"text":"地点的话，","start":"00:00:24.590","end":"00:00:25.230","spk":1},{"sentence_index":10,"text":"我们现在可以有三个选择。","start":"00:00:25.230","end":"00:00:27.190","spk":1},{"sentence_index":11,"text":"嗯，","start":"00:00:27.610","end":"00:00:27.850","spk":1},{"sentence_index":12,"text":"第一个的话，","start":"00:00:27.910","end":"00:00:28.550","spk":1},{"sentence_index":13,"text":"我们可以选择在操场，","start":"00:00:28.550","end":"00:00:30.810","spk":1},{"sentence_index":14,"text":"因为那儿嗯学生流动量也挺大的，","start":"00:00:30.970","end":"00:00:34.720","spk":1},{"sentence_index":15,"text":"操场的话，","start":"00:00:34.920","end":"00:00:35.800","spk":0},{"sentence_index":16,"text":"这这段时间太热了，","start":"00:00:36.340","end":"00:00:38.220","spk":0},{"sentence_index":17,"text":"我怕那个人流量有点少。","start":"00:00:38.220","end":"00:00:40.579","spk":0},{"sentence_index":18,"text":"嗯，","start":"00:00:41.060","end":"00:00:41.300","spk":1},{"sentence_index":19,"text":"那我们还可以有第二个选择呀，","start":"00:00:41.380","end":"00:00:43.280","spk":1},{"sentence_index":20,"text":"嗯我们可以在图书馆楼下那里有一块可以遮阴的地方哦，","start":"00:00:43.640","end":"00:00:49.080","spk":1},{"sentence_index":21,"text":"图书馆我觉得应该还可以吧。","start":"00:00:49.220","end":"00:00:51.485","spk":0}]}}

5. 联系

这个项目已经开源，有一定编程能力的人可以自行修改源码，如果不会如何部署的朋友，可以让作者有偿给你部署，可点击这里。
如果觉得这个项目不错，记得在右上角点击"Star"。
公众号：编程分享录

6. 其它项目

基于 Celery + Redis 开发的分布式私有化语音识别接口，可联系作者 lukeewin01 进行项目演示。该项目支持多机多卡部署，适合中大型公司使用，可分布式部署在多台服务器中，使用多张显卡。目前该项目不开源。点击这里查看文章。
基于 Java 开发的一句话实时语音识别接口，在阿里云高性能计算性服务器中转写 10 秒一句话音频耗时 100 毫秒左右。该项目不需要 GPU，运行在纯 CPU 环境中，使用 onnxruntime 推理模型。（非开源项目）
基于 Java 开发的长音频转写接口，在阿里云高性能计算性服务器中转写 1 分钟音频耗时 1.1 秒。该项目也不需要显卡，运行在纯 CPU 环境中，使用 onnxruntime 推理模型。（非开源项目）

7. 模型下载

modelscope download --model iic/speech_seaco_paraformer_large_asr_nat-zh-cn-16k-common-vocab8404-pytorch modelscope download --model iic/speech_fsmn_vad_zh-cn-16k-common-pytorch modelscope download --model iic/punc_ct-transformer_zh-cn-common-vocab272727-pytorch modelscope download --model iic/speech_campplus_sv_zh-cn_16k-common