跳到主要内容

自动语音识别-ASR

本示例基于 hbm_runtime 推理引擎运行语音识别模型，实现对 .wav 格式语音文件的自动转写，输出对应的文字内容，本示例代码位于/app/pydev_demo/07_speech_sample/01_asr/ 目录下。

模型说明​

  • 简介：

    ASR（Automatic Speech Recognition）自动语音识别模型用于将音频信号转换为文本。输入为单通道语音波形（经过采样率转换和标准化处理），输出为字符级别的 token 序列。配合字典（vocab）文件使用，可实现中文语音转写。本示例使用量化后的 .hbm 模型。

  • HBM模型名称：asr.hbm

  • 输入格式：音频波形，单通道，采样率为 16kHz，最大长度为 30000（样本点）

  • 输出：字符 token 的概率分布（logits），通过 argmax 解码后映射为识别文本

  • 模型下载地址（程序自动下载）：

    https://archive.d-robotics.cc/downloads/rdk_model_zoo/rdk_s100/asr/asr.hbm

功能说明​

  • 模型加载

    使用 hbm_runtime 加载 ASR 模型，并自动解析模型输入输出形状和量化信息。

  • 输入预处理

    使用 SoundFile 读取音频（支持 .wav），将音频：

    • 转为单通道
    • 重采样至目标采样率（默认 16kHz）
    • 标准化为零均值单位方差（z-score）
    • 补零或截断至固定长度（如 30000）
    • 支持生成器方式处理长音频，实现流式识别。

  • 推理执行

    采用 .run() 方法完成推理，输出 logits 张量。

  • 结果后处理

    使用 np.argmax() 从输出 logits 中获取 token 索引，结合 vocab 字典文件（JSON 格式）映射为字符，输出最终识别文本。

环境依赖​

  • 确保安装了pydev中的环境依赖 
    pip install -r ../../requirements.txt
  • 安装soundfile包 
    pip install soundfile==0.13.1

目录结构​

01_asr/
├── asr.py                      # 主推理脚本

参数说明​

参数名说明默认值
--model-path模型路径（.hbm 格式）/opt/hobot/model/s100/basic/asr.hbm
--audio-file输入音频文件（支持 .wav 或 .flac）/app/res/assets/chi_sound.wav
--vocab-file词表文件，映射 token → id/app/res/labels/vocab.json
--priority推理优先级，0~255，数值越大越优先0
--bpu-cores `指定使用哪些 BPU 核心（如：--bpu-cores 0 1）[0]
--audio_maxlen音频裁剪/填充后的固定长度（单位：采样点数）30000
--new_rate目标采样率，音频会自动重采样为该采样率16000

快速运行​

  • 运行模型

    • 使用默认参数 
      python asr.py
    • 指定参数运行 
      python asr.py \
      --model-path /opt/hobot/model/s100/basic/asr.hbm \
      --audio-file /app/res/assets/chi_sound.wav \
      --vocab-file /app/res/labels/vocab.json \
      --priority 0 \
      --bpu-cores 0 \
      --audio_maxlen 30000 \
      --new_rate 16000

  • 查看结果

    运行成功后，会将结果打印出来

    我是来自阿里云的大规模语言磨型过叫通意千问||

注意事项​

  • 若指定模型路径不存在，程序将尝试自动下载模型。
最后于 更新