Rapid ASR

• 🎉 推出知识星球RapidAI私享群，这里的提问会优先得到回答和支持，也会享受到RapidAI组织后续持续优质的服务。欢迎大家的加入。
• Paraformer模型出自阿里达摩院Paraformer语音识别-中文-通用-16k-离线-large-pytorch。
• 本仓库仅对模型做了转换，只采用ONNXRuntime推理引擎。该项目核心代码已经并入FunASR。
• 项目仍会持续更新，欢迎关注。
• QQ群号：645751008

📖文档导航

• 语音识别：
  • rapid_paraformer:
    • rapid_paraformer-Python
    • rapid_C++/C
  • rapid_wenet
    • Python
    • C++
  • rapid_paddlespeech-Python
• 标点符号
  • RapidPunc

📆TODO以及任务认领

• 参见这里：link

🎨整体框架

flowchart LR

A([wav]) --RapidVad--> B([各个小段的音频]) --RapidASR--> C([识别的文本内容]) --RapidPunc--> D([最终识别内容])

📣更新日志

详情

- 2023-08-21 v2.0.4 update: - 添加whl包支持 - 更新文档 - 2023-02-25 - 添加C++版本推理，使用onnxruntime引擎，预/后处理代码来自： [FastASR](https://github.com/chenkui164/FastASR) - 2023-02-14 v2.0.3 update: - 修复librosa读取wav文件错误 - 修复fbank与torch下fbank提取结果不一致bug - 2023-02-11 v2.0.2 update: - 模型和推理代码解耦（`rapid_paraformer`和`resources`） - 支持批量推理（通过`resources/config.yaml`中`batch_size`指定） - 增加多种输入方式（`Union[str, np.ndarray, List[str]]`） - 2023-02-10 v2.0.1 update: - 添加对输入音频为噪音或者静音的文件推理结果捕捉。

RapidASR 快速上手指南

RapidASR 是一个基于 ONNXRuntime 推理引擎的高效语音识别工具，核心模型采用阿里达摩院的 Paraformer。它支持 Linux、Windows 和 macOS，提供 Python 和 C++ 接口，专注于离线、高精度的中文语音转文字任务。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Linux / Windows / macOS
• Python 版本：3.6 <= Python < 3.13
• 依赖引擎：项目内置 ONNXRuntime，无需单独配置复杂的深度学习框架（如 PyTorch/TensorFlow）即可进行推理。
• C++ 支持（可选）：如需使用 C++ 接口，需具备 C++ 编译环境及 ONNXRuntime C++ 库。

安装步骤

推荐使用 pip 直接安装预编译的 wheel 包，这是最快捷的方式。

pip install rapid_paraformer

提示：如果下载速度较慢，可以使用国内镜像源加速安装：

pip install rapid_paraformer -i https://pypi.tuna.tsinghua.edu.cn/simple

安装完成后，首次运行时工具会自动下载所需的模型资源（Paraformer 模型及配置文件）到本地缓存目录。

基本使用

以下是最简单的 Python 调用示例，用于将音频文件转换为文本。

1. 导入与初始化

from rapid_paraformer import RapidParaformer

# 初始化识别器
# 默认会自动下载模型，也可指定本地模型路径
asr = RapidParaformer()

2. 执行识别

支持多种输入格式：音频文件路径字符串、numpy 数组或文件路径列表（批量推理）。

单文件识别：

# 传入音频文件路径
result = asr('test.wav')

# 打印识别结果
print(result)
# 输出示例：[{'text': '你好，这是一个测试音频。', 'timestamp': [...]}]

批量识别：

# 传入文件路径列表
files = ['audio_1.wav', 'audio_2.wav']
results = asr(files)

for res in results:
    print(res['text'])

3. 完整流程建议

根据官方架构，为了获得最佳效果，建议配合 VAD（语音活动检测） 和 标点恢复 模块使用：

1. 使用 RapidVad 切除静音片段。
2. 使用 RapidASR (本工具) 识别语音内容。
3. 使用 RapidPunc 为识别出的文本添加标点符号。

更多高级用法（如调整 batch_size、自定义配置）请参考项目子模块文档。