# SenseVoice-small-onnx Web UI使用教程：Gradio界面上传/播放/编辑/导出全流程 ## 1. 快速了解SenseVoice语音识别 SenseVoice-small-onnx是一个基于ONNX量化的多语言语音识别模型，它能帮你把语音转换成文字，支持中文、粤语、英语、日语、韩语等多种语言。最棒的是，它提供了一个简单易用的Web界面，让你不用写代码就能轻松使用语音识别功能。 这个模型有什么特别之处？ - **自动识别语言**：上传音频后能自动检测是哪种语言（支持50多种语言） - **识别准确率高**：不仅能转文字，还能识别情感和音频事件 - **处理速度快**：10秒的音频只需要70毫秒就能处理完 - **使用简单**：通过网页界面就能操作，不需要技术背景 ## 2. 环境准备与快速启动 ### 2.1 安装必要软件 首先确保你的电脑已经安装了Python（建议3.8或更高版本）。然后打开命令行工具，输入以下命令安装需要的软件包： ```bash pip install funasr-onnx gradio fastapi uvicorn soundfile jieba ``` 这个过程可能会花费几分钟时间，等待安装完成即可。 ### 2.2 启动Web服务 安装完成后，使用这个简单的命令启动服务： ```bash python3 app.py --host 0.0.0.0 --port 7860 ``` 看到类似这样的提示就说明启动成功了： ``` Running on local URL: http://0.0.0.0:7860 ``` 现在打开浏览器，访问 http://localhost:7860 就能看到语音识别界面了。 ## 3. Web界面完整使用指南 ### 3.1 上传音频文件 进入Web界面后，第一眼看到的就是文件上传区域： 1. **点击上传按钮**：找到"Upload Audio"或类似的按钮 2. **选择音频文件**：支持mp3、wav、m4a、flac等常见格式 3. **等待上传完成**：文件大小会影响上传时间，耐心等待即可 **小贴士**：如果音频文件较大，可以先转换成mp3格式，既能减小文件大小又不影响识别效果。 ### 3.2 播放和预览音频 上传成功后，界面会显示音频播放器： - **播放控制**：有标准的播放/暂停按钮 - **进度条**：可以拖动到任意位置播放 - **音量调节**：可以调整播放音量 - **波形显示**：有些界面会显示音频波形图 建议在识别前先播放一下，确认音频质量没有问题。 ### 3.3 设置识别参数 在识别之前，可以根据需要调整一些设置： ```python # 这些设置通常在界面上有对应的选项 language = "auto" # 自动检测语言 use_itn = True # 启用智能文本转换（推荐开启） ``` **语言选择建议**： - 如果不确定是什么语言，选"auto"让系统自动检测 - 如果是中文普通话，选"zh" - 如果是粤语，选"yue" - 其他语言选择对应的选项 **ITN功能**：建议保持开启，它能把"百分之二十"转换成"20%"，让结果更规范。 ### 3.4 开始识别转换 点击"Transcribe"或"开始识别"按钮，系统就会开始处理音频： 1. **上传音频到服务器**：界面会显示上传进度 2. **模型处理中**：可以看到处理进度条 3. **生成文字结果**：处理完成后显示识别结果 处理时间取决于音频长度，一般1分钟的音频几秒钟就能完成。 ### 3.5 编辑和调整结果 识别完成后，你可以对文字结果进行编辑： - **直接修改文本**：在文本框中直接修改识别结果 - **分段调整**：如果识别结果分段不合理，可以手动调整 - **纠正错误**：修正可能的识别错误 **编辑技巧**： - 注意标点符号的添加，让文本更易读 - 可以根据音频内容调整段落划分 - 保存前检查一遍重要名词和数字是否正确 ### 3.6 导出最终结果 编辑满意后，就可以导出结果了： 1. **选择导出格式**：通常支持txt、json等格式 2. **点击导出按钮**：生成下载文件 3. **保存到本地**：选择保存位置即可 **导出格式选择**： - **TXT**：纯文本，适合大多数情况 - **JSON**：包含更多元数据，适合技术人员使用 - **SRT**：如果支持的话，可以生成字幕文件 ## 4. 实际使用案例演示 ### 4.1 中文会议录音转文字 假设你有一个30分钟的中文会议录音： 1. 上传 meeting.mp3 文件 2. 语言选择"zh"（中文） 3. 点击开始识别 4. 等待5-10分钟处理完成 5. 编辑修正一些人名和专业术语 6. 导出为txt文档保存 这样你就得到了完整的会议记录，比手动记录节省了大量时间。 ### 4.2 多语言视频字幕生成 如果你有一个包含中英文混合的视频： 1. 提取视频音频为audio.wav 2. 语言选择"auto"（自动检测） 3. 系统会自动识别中英文部分 4. 导出时选择SRT格式（如果支持） 5. 用文本编辑器微调时间轴 这样就生成了双语字幕文件，大大简化了字幕制作过程。 ## 5. 使用技巧和最佳实践 ### 5.1 提升识别准确率 想要获得更好的识别效果，可以注意以下几点： - **音频质量**：尽量使用清晰的录音，避免背景噪音 - **说话速度**：正常的语速识别效果最好，过快或过慢都可能影响准确率 - **音频格式**：推荐使用wav或高质量mp3格式 - **单声道录制**：相比立体声，单声道通常识别效果更好 ### 5.2 处理长音频文件 如果音频文件很长（超过30分钟），建议： - **分段处理**：先用音频编辑软件分成小段 - **分批上传**：逐段上传识别，降低出错风险 - **注意衔接**：确保各段之间的连续性 ### 5.3 常见问题解决 **问题1：上传失败** - 检查文件格式是否支持 - 确认文件没有损坏 - 尝试重新上传 **问题2：识别结果不准确** - 检查音频质量 - 尝试选择特定语言而不是auto - 考虑重新录制或降噪处理 **问题3：处理时间过长** - 检查网络连接 - 确认服务器正常运行 - 尝试较小的音频文件 ## 6. 总结 SenseVoice-small-onnx的Web界面让语音识别变得非常简单，即使没有任何技术背景也能快速上手。通过这个教程，你应该已经掌握了从上传音频到导出文字结果的完整流程。 **关键要点回顾**： 1. 安装环境只需要一行命令，启动服务也很简单 2. Web界面直观易用，上传、播放、识别一气呵成 3. 支持多语言自动识别，中文和英文效果尤其出色 4. 编辑和导出功能完善，满足各种使用需求 **下一步建议**： - 从短的音频开始尝试，熟悉操作流程 - 体验不同语言的识别效果 - 探索API接口的使用（如果你有编程需求） 现在就去试试吧，把你手机里的录音文件转换成文字，体验语音识别的便利！ --- > **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。