基于FunAsr实现录音文件识别接口，异步处理音频文件并返回识别结果

FunASR 语音识别服务

基于 FunASR + Paraformer-zh + FastAPI 实现的语音识别服务，支持异步处理音频文件并返回识别结果。

Github：https://github.com/friend-nicen/asr

功能特点

• 支持本地音频文件和URL链接的音频识别
• 异步队列处理，支持并发任务
• RESTful API接口
• 自动下载和管理模型
• Redis任务队列

系统要求

• Python 3.8+
• Redis服务器
• CUDA（可选，用于GPU加速）

安装

拉取项目并安装依赖，确保Redis服务器已启动：

pip install -r requirements.txt

配置

主要配置项在 api_server.py 和 worker.py 中：

• Redis连接配置
• 并发处理数量
• 音频文件存储目录
• 模型存储目录

使用方法

启动API服务器：

python api_server.py

首次运行worker时下载模型：

python worker.py --download

启动worker处理服务：

python worker.py

API接口

1. 提交识别任务

POST /recognize
Content-Type: application/json

{
"file": "path_to_audio_file_or_url"
}

响应：

{
   "task_id": "uuid",
   "message": "Task submitted successfully"
}

2. 查询任务状态

GET /status/{task_id}

响应：

{
   "task_id": "uuid",
   "status": "pending|processing|completed|failed",
   "result": "识别结果文本（如果完成）"
}

注意事项

• 确保音频文件格式受支持（建议使用wav格式）
• 保持Redis服务器正常运行
• 首次运行时需要下载模型，可能需要一些时间
• 调整MAX_WORKERS参数以适应服务器性能

错误处理

• 文件不存在：返回400错误
• URL下载失败：返回400错误
• 任务不存在：返回404错误
• 其他错误：相应的错误信息会记录在任务状态中

知识点

• Paraformer 是一种基于 Transformer 的语音识别模型，paraformer-zh 是其针对中文语音识别的版本。它能够将中文语音信号直接转换为对应的文本内容，具有高效、准确的特点，并且可以处理不同长度的音频输入，无论是短语音片段还是长音频文件，都能较好地完成识别任务，为语音识别的基础任务提供有力支持。
• FSMN-VAD 即基于 FSMN 网络的语音活动检测模型，用于检测语音信号中的语音段和非语音段，确定语音的起始和结束时间点。它能够帮助过滤掉音频中的无效部分，如静音、背景噪音等，只保留有效的语音部分，从而提高语音识别的效率和准确性，减少计算资源的浪费，通常在语音识别流程中前置使用，为后续的语音识别模型提供更精准的语音片段。
• CT-Punc 是一个标点预测模型，可在语音识别生成的文本中添加适当的标点符号，使文本更具可读性和语义完整性。因为语音识别结果通常会缺少标点，而标点对于理解文本的语义和结构非常重要，该模型能够自动在合适的位置添加如句号、逗号、问号等标点符号，帮助用户更好地理解和使用语音识别的输出结果。