# SenseVoice-small-onnx语音识别实操：转写结果后处理——数字/单位/专有名词标准化 ## 1. 引言：为什么需要后处理？ 语音识别技术已经相当成熟，但原始转写结果往往存在一些"小毛病"：数字可能被写成中文"三"而不是"3"，单位可能不够规范，专业术语可能拼写不一致。这些问题虽然不影响理解，但在正式文档或数据处理中就显得不够专业。 SenseVoice-small-onnx语音识别模型本身已经具备不错的识别准确率，但通过简单的后处理技巧，我们可以让转写结果更加规范、专业和实用。本文将手把手教你如何对语音识别结果进行数字、单位和专有名词的标准化处理，让你的语音转写质量更上一层楼。 ## 2. 环境准备与基础使用 ### 2.1 快速安装与启动 在开始后处理之前，我们先确保SenseVoice-small-onnx服务正常运行： ```bash # 安装必要依赖 pip install funasr-onnx gradio fastapi uvicorn soundfile jieba # 启动语音识别服务 python3 app.py --host 0.0.0.0 --port 7860 ``` 服务启动后，你可以通过 http://localhost:7860 访问Web界面，或者直接调用API进行语音转写。 ### 2.2 基础语音识别示例 先来看看原始识别结果是什么样的： ```python 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 ) # 进行语音识别 audio_file = "meeting_recording.wav" raw_result = model([audio_file], language="zh", use_itn=True) print("原始识别结果:", raw_result[0]) ``` 假设我们得到的结果是："本次会议出席人数为三十五人，预计下季度增长百分之十五" ## 3. 数字标准化处理 ### 3.1 中文数字转阿拉伯数字 中文数字在口语中很常见，但在书面文档中，阿拉伯数字更加规范。我们可以编写一个简单的转换函数： ```python import re def chinese_number_to_arabic(text): # 定义中文数字映射 chinese_digits = {'零':0, '一':1, '二':2, '三':3, '四':4, '五':5, '六':6, '七':7, '八':8, '九':9, '十':10} # 处理"十"的特殊情况 def convert_match(match): num_str = match.group() if num_str == '十': return '10' elif len(num_str) == 2 and num_str[0] == '十': return '1' + str(chinese_digits[num_str[1]]) elif len(num_str) == 2 and num_str[1] == '十': return str(chinese_digits[num_str[0]]) + '0' else: result = '' for char in num_str: if char in chinese_digits: result += str(chinese_digits[char]) return result # 匹配中文数字（一到九十九） pattern = r'[一二三四五六七八九十]{1,3}' return re.sub(pattern, convert_match, text) # 测试转换 sample_text = "三十五人参加会议，二十五台设备" converted = chinese_number_to_arabic(sample_text) print(converted) # 输出: "35人参加会议，25台设备" ``` ### 3.2 大数字处理 对于"一百"、"三千五百"这样的大数字，我们需要更复杂的处理： ```python def convert_large_chinese_number(text): # 定义单位映射 units = {'十': 10, '百': 100, '千': 1000, '万': 10000, '亿': 100000000} # 匹配模式 pattern = r'([一二三四五六七八九]+)([十百千万亿])?' def calculate_number(match): num_part = match.group(1) unit_part = match.group(2) if match.group(2) else '' # 转换数字部分 digit_map = {'一':1, '二':2, '三':3, '四':4, '五':5, '六':6, '七':7, '八':8, '九':9} number = 0 for char in num_part: number = number * 10 + digit_map[char] # 应用单位 if unit_part: number *= units[unit_part] return str(number) return re.sub(pattern, calculate_number, text) # 测试 test_text = "公司年收入一百五十万，用户数三千五百" result = convert_large_chinese_number(test_text) print(result) # 输出: "公司年收入1500000，用户数3500" ``` ## 4. 单位标准化 ### 4.1 统一单位表达 不同的人可能用不同的方式表达单位，我们需要统一它们： ```python def standardize_units(text): # 单位标准化映射 unit_mapping = { '公里/小时': 'km/h', '千米/小时': 'km/h', '米/秒': 'm/s', '摄氏度': '°C', '华氏度': '°F', '千克': 'kg', '公斤': 'kg', '毫升': 'ml', '公升': 'L', '升': 'L', '兆赫': 'MHz', '千赫': 'kHz', '兆字节': 'MB', '千字节': 'KB', '吉字节': 'GB' } for old_unit, new_unit in unit_mapping.items(): text = text.replace(old_unit, new_unit) return text # 测试单位标准化 unit_text = "车速限制为一百二十公里/小时，温度二十五摄氏度" standardized = standardize_units(unit_text) print(standardized) # 输出: "车速限制为120km/h，温度25°C" ``` ### 4.2 百分比和分数处理 口语中的百分比表达也需要标准化： ```python def standardize_percentages(text): # 处理百分比 text = re.sub(r'百分之(\d+)', r'\1%', text) text = re.sub(r'百分之一百', '100%', text) # 处理分数 text = re.sub(r'三分之二', '2/3', text) text = re.sub(r'二分之一', '1/2', text) text = re.sub(r'四分之三', '3/4', text) return text # 测试 percent_text = "成功率达到百分之八十五，约四分之三的用户满意" result = standardize_percentages(percent_text) print(result) # 输出: "成功率达到85%，约3/4的用户满意" ``` ## 5. 专有名词标准化 ### 5.1 自定义词典维护 对于特定领域的专有名词，我们可以维护一个标准化词典： ```python class TerminologyStandardizer: def __init__(self): self.term_dict = { # 技术术语 'javascript': 'JavaScript', 'python': 'Python', 'html': 'HTML', 'css': 'CSS', 'api': 'API', 'json': 'JSON', # 公司产品名 '微信': '微信', '支付宝': '支付宝', '淘宝': '淘宝', '抖音': '抖音', # 常见品牌 'iphone': 'iPhone', 'ipad': 'iPad', 'macbook': 'MacBook' } def add_term(self, term, standard_form): self.term_dict[term.lower()] = standard_form def standardize(self, text): words = text.split() result = [] for word in words: lower_word = word.lower() if lower_word in self.term_dict: result.append(self.term_dict[lower_word]) else: result.append(word) return ' '.join(result) # 使用示例 standardizer = TerminologyStandardizer() standardizer.add_term('react', 'React') standardizer.add_term('nodejs', 'Node.js') text = "我们使用python和javascript开发web应用" result = standardizer.standardize(text) print(result) # 输出: "我们使用Python和JavaScript开发web应用" ``` ### 5.2 上下文感知的专有名词识别 对于更复杂的情况，我们可以使用简单的规则来识别可能的大写专有名词： ```python def enhance_proper_nouns(text): # 识别可能的产品名、品牌名等 patterns = [ (r'\b(iphone|ipad|imac)\b', lambda m: m.group().replace('i', 'i').capitalize()), (r'\b([a-z]+)(\d+[a-z]*)\b', lambda m: m.group(1).capitalize() + m.group(2)), # 如"model3" -> "Model3" ] for pattern, replacement in patterns: text = re.sub(pattern, replacement, text) return text # 测试 test_text = "新款iphone和model3发布" result = enhance_proper_nouns(test_text) print(result) # 输出: "新款iPhone和Model3发布" ``` ## 6. 完整后处理流水线 ### 6.1 构建综合处理管道 现在我们将所有处理步骤组合成一个完整的后处理管道： ```python class AudioPostProcessor: def __init__(self): self.standardizer = TerminologyStandardizer() def process(self, text): # 按顺序应用各种处理 text = chinese_number_to_arabic(text) text = convert_large_chinese_number(text) text = standardize_percentages(text) text = standardize_units(text) text = self.standardizer.standardize(text) text = enhance_proper_nouns(text) return text # 完整使用示例 def complete_audio_processing(audio_file_path): # 语音识别 model = SenseVoiceSmall( "/root/ai-models/danieldong/sensevoice-small-onnx-quant", quantize=True ) raw_text = model([audio_file_path], language="auto", use_itn=True)[0] # 后处理 processor = AudioPostProcessor() processed_text = processor.process(raw_text) return processed_text # 实际使用 audio_file = "business_meeting.wav" final_result = complete_audio_processing(audio_file) print("原始结果:", raw_text) print("处理后结果:", final_result) ``` ### 6.2 实际案例对比 假设我们有一段会议录音，原始识别结果是： "本次项目预算三百五十万元，预计完成时间二零二三年第三季度，使用python开发，集成微信支付API" 经过我们的后处理管道后，结果变为： "本次项目预算3500000元，预计完成时间2023年第三季度，使用Python开发，集成微信支付API" 可以看到，数字、年份、技术术语都得到了很好的标准化。 ## 7. 总结 通过本文介绍的后处理技巧，你可以显著提升SenseVoice-small-onnx语音识别结果的规范性和专业性。关键处理包括： 1. **数字标准化**：将中文数字转换为阿拉伯数字，处理各种数字表达形式 2. **单位统一**：确保单位表达符合国际标准或行业规范 3. **专有名词处理**：保持品牌名、技术术语等的一致性 4. **综合管道**：将各种处理步骤组合成自动化流水线 这些后处理步骤不仅让转写结果看起来更专业，也便于后续的数据处理和分析。你可以根据自己领域的特点，调整和扩展这些处理方法，打造最适合自己需求的语音识别后处理系统。 --- > **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](https://ai.csdn.net/?utm_source=mirror_blog_end)，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。