Python零基础入门：使用SenseVoice-Small构建第一个语音应用-育师

Python零基础入门：使用SenseVoice-Small构建第一个语音应用

语音识别听起来很高深？别担心，跟着这篇教程，即使你是Python小白，也能在30分钟内搭建出自己的第一个语音识别应用！

1. 前言：为什么要学语音识别？

现在语音技术已经无处不在——手机语音助手、智能音箱、语音输入法...学会语音识别开发，你就能自己制作这些酷炫的应用。SenseVoice-Small是一个强大的多语言语音识别模型，支持中文、英文、粤语、日语、韩语等，识别效果比很多知名模型还要好。

最重要的是，它真的很简单！不需要深厚的数学基础，不需要复杂的配置，跟着我做就行。

2. 环境准备：安装必要的工具

在开始之前，我们需要准备好Python环境。如果你还没有安装Python，可以去官网下载最新版本（推荐Python 3.8以上）。

打开命令行（Windows用户按Win+R，输入cmd；Mac用户打开终端），依次输入以下命令：

# 创建专门的虚拟环境（避免包冲突） python -m venv voice_env # 激活虚拟环境 # Windows: voice_env\Scripts\activate # Mac/Linux: source voice_env/bin/activate # 安装必要的库 pip install soundfile librosa numpy

3. 安装SenseVoice-Small

现在我们来安装SenseVoice-Small模型和相关依赖：

# 安装SenseVoice的Python包 pip install sensevoice-onnx # 或者从GitHub直接安装最新版本 pip install git+https://github.com/lovemefan/SenseVoice-python.git

第一次运行时会自动下载模型文件，可能需要几分钟时间。如果下载速度慢，可以设置镜像加速：

# Linux/Mac export HF_ENDPOINT=https://hf-mirror.com # Windows set HF_ENDPOINT=https://hf-mirror.com

4. 准备第一个语音文件

让我们先准备一个测试用的语音文件。你可以用自己的手机录制一段话，或者使用现成的示例。

创建一个名为test_audio.wav的音频文件，或者从网上下载一个示例音频。确保是WAV格式，采样率16kHz。

5. 编写第一个语音识别程序

创建一个新文件first_voice_app.py，输入以下代码：

import soundfile as sf from sense_voice import SenseVoice # 初始化语音识别模型 model = SenseVoice() # 读取音频文件 audio_path = "test_audio.wav" audio, sample_rate = sf.read(audio_path) print(f"音频长度: {len(audio)/sample_rate:.2f}秒") # 进行语音识别 result = model.transcribe(audio_path) print("识别结果:") print(result)

保存文件后，在命令行运行：

python first_voice_app.py

如果一切正常，你应该能看到语音识别结果了！

6. 进阶功能：多语言识别

SenseVoice-Small支持多种语言，让我们试试其他语言：

from sense_voice import SenseVoice model = SenseVoice() # 中文识别 chinese_result = model.transcribe("chinese_audio.wav", language="zh") print(f"中文结果: {chinese_result}") # 英文识别 english_result = model.transcribe("english_audio.wav", language="en") print(f"英文结果: {english_result}") # 自动检测语言 auto_result = model.transcribe("any_audio.wav", language="auto") print(f"自动检测: {auto_result}")

7. 处理更长的音频

如果要处理较长的音频文件，可以使用批处理功能：

from sense_voice import SenseVoice model = SenseVoice() # 处理长音频（会自动分段） long_audio_result = model.transcribe( "long_lecture.wav", batch_size_s=30, # 每批处理30秒 merge_vad=True # 启用语音活动检测 ) print(f"长音频识别完成，共{len(long_audio_result)}段") for i, segment in enumerate(long_audio_result): print(f"第{i+1}段: {segment}")

8. 常见问题解决

问题1：模型下载失败

# 设置镜像源后重试 export HF_ENDPOINT=https://hf-mirror.com python your_script.py

问题2：内存不足

# 使用更轻量的配置 model = SenseVoice(device="cpu", num_threads=2)

问题3：音频格式不支持

# 转换音频格式 import librosa audio, sr = librosa.load("input.mp3", sr=16000) sf.write("converted.wav", audio, sr)

9. 实际应用示例

让我们做一个实用的例子：批量处理文件夹中的所有音频文件

import os from sense_voice import SenseVoice import soundfile as sf model = SenseVoice() def process_folder(folder_path): """处理文件夹中的所有音频文件""" results = {} for filename in os.listdir(folder_path): if filename.endswith(('.wav', '.mp3', '.flac')): filepath = os.path.join(folder_path, filename) try: result = model.transcribe(filepath) results[filename] = result print(f"已处理: {filename}") except Exception as e: print(f"处理{filename}时出错: {e}") return results # 使用示例 audio_folder = "my_audio_files" transcriptions = process_folder(audio_folder) # 保存结果 with open("transcriptions.txt", "w", encoding="utf-8") as f: for filename, text in transcriptions.items(): f.write(f"{filename}: {text}\n") print("所有文件处理完成！结果已保存到transcriptions.txt")