asr-service

SenseVoice-Small ASR — 中文语音识别 + 说话人分离 + SRT/VTT 字幕，IFF 托管部署

ASR Service — SenseVoice-Small

中文语音识别技能，基于 IFF 托管的 FunASR SenseVoice-Small 模型。

架构

text

消费者 (Nova/CLI/其他 Skill)
  → ASRSkill (transcribe / serve_status)
    → IFFManager → iff switch sensevoice-small
    → httpx → http://localhost:8881/v1/audio/transcriptions (model="sensevoice")
    → Postprocessor → 返回 TranscriptionResult

职责边界

层	职责
IFF	进程生命周期、GPU 调度、健康检查
ASR Skill	IFF 启停管理、API 调用、响应后处理

依赖

• IFF v4.7.0+ (asr_server type + sensevoice-small)
• FunASR SenseVoice-Small (Conda sensevoice, port 8881)
• httpx, pyyaml

API

方法	说明
skill.transcribe(audio_path, language=None, response_format="json", speaker_labels=False)	语音转文字
skill.transcribe_srt(audio_path, language=None, speaker_labels=False)	转写并返回 SRT 字幕
skill.transcribe_vtt(audio_path, language=None, speaker_labels=False)	转写并返回 VTT 字幕
skill.serve_status()	ASR 服务状态

transcribe 参数

参数	默认值	说明
audio_path	(必填)	音频文件路径 (mp3, wav, m4a 等)
language	None (自动检测)	语言代码: zh, en, ja, ko, yue
response_format	"json"	json / text / verbose_json
speaker_labels	False	说话人分离，segments 中包含 speaker 字段

TranscriptionResult

字段	类型	说明
text	str	转写文本
language	str | None	检测到的语言
duration	float | None	音频时长 (秒)
segments	list | None	分段时间戳 (verbose_json)

CLI

bash

# 基本转写
{baseDir}/scripts/asr_cli.py transcribe audio.mp3

# 指定语言
{baseDir}/scripts/asr_cli.py transcribe audio.wav --language zh

# 详细输出（含时间戳、语言、时长）
{baseDir}/scripts/asr_cli.py transcribe audio.mp3 --format verbose_json

# 带说话人分离
{baseDir}/scripts/asr_cli.py transcribe audio.mp3 --speakers

# SRT 字幕输出
{baseDir}/scripts/asr_cli.py srt audio.mp3

# VTT 字幕输出（带说话人标签）
{baseDir}/scripts/asr_cli.py vtt audio.mp3 --speakers

# 服务状态
{baseDir}/scripts/asr_cli.py serve-status

约束

• 所有请求必须显式传 model="sensevoice"，不依赖 API 默认值
• 不使用 /asr 端点（会无条件触发 vLLM 引擎加载）
• SenseVoice token 清洗（<|zh|><|HAPPY|> 等）由 funasr-server 端完成，Skill 不需重复处理

配置

config.yaml:

yaml

service:
  name: sensevoice-small
  base_url: http://localhost:8881
  health_timeout: 120
  switch_timeout: 120

retry:
  max_attempts: 3

defaults:
  model: sensevoice
  language: null
  response_format: json