# SenseVoice-small-onnx语音识别效果展示：中文数字单位（‘万’‘亿’‘兆’）ITN转换 今天咱们来聊聊一个语音识别里特别实用，但又容易被忽略的功能——**中文数字单位的智能转换**。 想象一下这个场景：你录了一段会议纪要，语音识别出来的文字是“公司本季度营收增长了百分之十五，达到了三亿两千万元”。这个“三亿两千万元”在文字报告里看着没问题，但如果你要把它导入Excel做数据分析，或者让其他程序读取，是不是还得手动改成“320000000”？这太麻烦了。 这就是ITN（逆文本正则化）要解决的问题。而SenseVoice-small-onnx模型在这个功能上，尤其是对“万”、“亿”、“兆”这些中文大数单位的处理，做得相当不错。接下来，我就带大家看看它的实际效果。 ## 1. 效果到底怎么样？先看几个例子 说再多不如直接看结果。我准备了几段包含复杂数字的语音，让SenseVoice-small-onnx模型（开启ITN功能）进行识别，下面是转写前后的对比。 **测试音频1：财经新闻片段** * **原始语音**：“预计明年全球智能手机出货量将突破十五亿部，其中高端市场占比有望达到百分之二十二。” * **普通识别结果**：“预计明年全球智能手机出货量将突破十五亿部，其中高端市场占比有望达到百分之二十二。” * **开启ITN后的结果**：“预计明年全球智能手机出货量将突破1500000000部，其中高端市场占比有望达到22%。” **测试音频2：项目汇报片段** * **原始语音**：“本项目总投资约三亿五千万元，分两期建设，一期投入一亿八千万，二期投入一亿七千万。” * **普通识别结果**：“本项目总投资约三亿五千万元，分两期建设，一期投入一亿八千万，二期投入一亿七千万。” * **开启ITN后的结果**：“本项目总投资约350000000元，分两期建设，一期投入180000000，二期投入170000000。” **测试音频3：带有“兆”的单位（技术领域）** * **原始语音**：“该存储设备的容量为五兆字节，传输速度可达每秒八百兆比特。” * **普通识别结果**：“该存储设备的容量为五兆字节，传输速度可达每秒八百兆比特。” * **开启ITN后的结果**：“该存储设备的容量为5MB，传输速度可达每秒800Mb。” 从上面这几个例子，你能直观地感受到ITN转换带来的便利： 1. **“亿”级转换准确**：“十五亿”完美转换成了“1500000000”。 2. **混合单位处理**：“三亿五千万元”被正确地计算并转换为“350000000元”。 3. **技术单位缩写**：“兆字节”和“兆比特”被智能地转换为标准的“MB”和“Mb”。 4. **百分比转换**：“百分之二十二”转换成了“22%”。 这意味着一份语音转写的文字稿，几乎可以直接用于后续的数据处理流程，省去了大量人工校对和修改的时间。 ## 2. 为什么这个功能很重要？ 你可能觉得，不就是把中文数字改成阿拉伯数字吗？我自己改改也行。但在实际应用中，这个功能的价值远超想象。 ### 2.1 提升下游处理效率 这是最核心的价值。识别结果如果直接是标准化数字，那么： * **数据分析**：可以无缝导入BI工具、Excel进行图表生成和趋势分析。 * **信息提取**：程序可以轻松地从文本中抓取出金额、数量、百分比等关键数据。 * **搜索与归档**：数字被标准化后，更利于数据库的存储、索引和精确查询。 ### 2.2 避免歧义和错误 中文数字的口语表达有时存在歧义。比如“一万五”，可能指15000，也可能指1.5万。一套成熟的ITN规则能根据上下文和常用表达，将其规范为“15000”，减少了人工理解可能产生的错误。 ### 2.3 专业场景刚需 在金融、审计、科技、医疗等专业领域，文档中数字的准确性和规范性要求极高。自动化的ITN转换不仅是提效工具，更是保障信息准确传递、符合行业规范的重要手段。 ## 3. SenseVoice-small-onnx如何实现ITN？ SenseVoice-small-onnx模型本身专注于高精度的语音转文本。它的ITN功能，通常是在文本后处理阶段，通过集成一个专门的**逆文本正则化模块**来实现的。这个模块就像是一个聪明的“文本清洁工”，负责查找并转换文本中的特定模式。 当你通过API调用时，只需要设置一个参数就能开启这个强大的功能： ```bash curl -X POST "http://localhost:7860/api/transcribe" \ -H "accept: application/json" \ -F "file=@你的音频文件.wav" \ -F "language=zh" \ -F "use_itn=true" # 关键就在这里！ ``` 或者在Python代码中： ```python from funasr_onnx import SenseVoiceSmall model = SenseVoiceSmall(model_dir="你的模型路径") # 假设audio_list是你的音频文件路径列表 result = model(audio_list, language="zh", use_itn=True) # 设置 use_itn=True print(result[0]['text']) # 这里输出的就是经过ITN转换后的文本 ``` 这个后处理模块内置了丰富的规则，覆盖了： * **基数词**：一、二、三... 百、千、万、亿、兆 → 1, 2, 3... 100, 1000, 10000, 100000000, 1000000000000。 * **序数词**：第一、第二 → 第1、第2。 * **分数与百分比**：三分之一、百分之五十 → 1/3、50%。 * **计量单位**：元、美元、米、千克 → 元、美元、m、kg（部分单位会标准化）。 * **日期时间**：二零二三年十月一日 → 2023年10月1日（可能因规则集而异）。 ## 4. 实际使用体验与技巧 我部署了SenseVoice-small-onnx服务，并对其ITN功能进行了一段时间的测试。以下是一些真实的体验和发现： ### 4.1 优点 * **转换准确率高**：对于常见的数字表达，尤其是财务、统计相关的“X亿Y万”格式，转换非常可靠。 * **处理速度快**：ITN作为后处理，几乎不增加额外的推理时间，模型整体的“10s音频70ms推理”速度优势得以保持。 * **多语言支持**：虽然本文重点讲中文，但它的ITN规则对英文数字（如“three million”）也有很好的支持。 ### 4.2 需要注意的地方 * **上下文依赖**：像“一块五”和“一块五毛钱”，可能都会被转换成“1.5元”。这在大部分场景下是合理的，但如果你需要严格区分“1.5元”和“1.5”，就需要根据上下文再做判断。 * **规则覆盖度**：一些非常用或新兴的网络数字表达（如“666”、“520”）可能不会被转换，或者转换结果不符合预期。ITN模块主要覆盖规范书面语。 * **自定义需求**：如果业务中有特殊的数字格式（如内部产品编号“CK-二零二三-零零一”），默认的ITN规则可能会误改。这时可能需要定制后处理规则。 ### 4.3 给开发者的建议 1. **默认开启**：对于大多数涉及数字记录的场景（会议、访谈、报表），建议在调用API时默认将 `use_itn` 设为 `true`。 2. **结果校验**：在关键业务场景（如合同金额转换），建议加入一道轻量级的人工校验或逻辑校验流程。 3. **结合标点预测**：SenseVoice本身具备良好的标点预测能力。ITN转换与正确的标点结合（如“一百二十三点五”转换成“123.5”），能让文本可读性更高。 ## 5. 总结 SenseVoice-small-onnx语音识别模型提供的ITN（逆文本归一化）功能，特别是对中文“万”、“亿”、“兆”等大数单位的准确转换，是一个“用了就回不去”的实用特性。 它不仅仅是简单地将中文数字替换为阿拉伯数字，而是进行了一次**语义层面的标准化**，使得语音识别的产出物不再是“纯文本”，而是更接近“结构化数据”的起点。这极大地桥接了语音识别与下游数据处理应用之间的鸿沟。 如果你正在构建一个需要处理会议记录、财务报告、新闻摘要或任何包含大量数字信息的语音应用，那么充分利用SenseVoice-small-onnx的ITN功能，无疑会为你节省大量后期处理成本，并提升整个数据流程的自动化水平和可靠性。 --- > **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。