最简部署方式推荐：SenseVoiceSmall云平台镜像一键启动教程-编程阁

最简部署方式推荐：SenseVoiceSmall云平台镜像一键启动教程

1. 为什么选择 SenseVoiceSmall？

你有没有遇到过这样的场景：一段语音里不仅有说话内容，还夹杂着笑声、背景音乐，甚至能听出说话人是开心还是生气？传统的语音转文字工具只能告诉你“说了什么”，但SenseVoiceSmall能告诉你更多——它知道“怎么说得”以及“周围发生了什么”。

这款由阿里巴巴达摩院开源的语音理解模型，不只是一个简单的 ASR（自动语音识别）工具。它能同时完成三件事：

准确识别中、英、日、韩、粤语等多语言内容
检测说话人的情绪状态（比如开心、愤怒、悲伤）
标注声音事件（如掌声、BGM、笑声）

更棒的是，通过我们预配置的云平台镜像，你不需要任何复杂的环境搭建，就能在几分钟内跑起来这个功能强大的模型。

本文将带你一步步使用镜像快速启动 Web 服务，并通过浏览器上传音频、查看带情感和事件标注的识别结果。整个过程无需写一行代码，适合所有技术水平的用户。

2. 镜像核心能力一览

2.1 多语言高精度识别

SenseVoiceSmall 在多个语种上都表现出色，尤其对中文普通话和粤语的支持非常成熟。无论是会议录音、客服对话还是短视频配音，它都能准确还原语音内容。

支持的语言包括：

中文（zh）
英文（en）
粤语（yue）
日语（ja）
韩语（ko）

你可以手动指定语言，也可以设置为auto让模型自动判断。

2.2 富文本输出：不止是文字

传统语音识别只输出纯文本，而 SenseVoiceSmall 的输出更像是“富文本字幕”。它会在转录结果中标注出非语言信息，例如：

[LAUGHTER] 大家好，今天真的很开心[HAPPY]，给大家带来一个好消息！

这些标签可以帮助你快速了解音频的整体氛围，特别适用于以下场景：

客服质检：判断客户是否不满或激动
视频剪辑：自动标记笑点或高潮片段
内容分析：统计节目中情绪变化趋势

2.3 极速推理与 GPU 加速

得益于非自回归架构设计，SenseVoiceSmall 的推理速度极快。在配备 NVIDIA 4090D 的机器上，处理一分钟音频仅需几秒钟，真正实现“秒级转写”。

镜像已预装 CUDA 和 PyTorch 2.5，开箱即用支持 GPU 推理，无需额外配置。

2.4 可视化界面：Gradio WebUI 直接交互

最贴心的是，我们已经为你封装好了 Gradio 可视化界面。你不需要懂 Python 或命令行，只要会用浏览器，就可以：

拖拽上传音频文件
实时查看识别结果
切换不同语言模式
查看情感与声音事件标签

整个操作就像使用一个在线工具一样简单。

3. 快速启动指南

3.1 启动服务（首次运行）

如果你的镜像没有自动启动 Web 服务，可以按照以下步骤手动运行。

首先，确保必要的依赖库已安装：

pip install av gradio

然后创建主程序脚本app_sensevoice.py：

import gradio as gr from funasr import AutoModel from funasr.utils.postprocess_utils import rich_transcription_postprocess import os # 初始化模型 model_id = "iic/SenseVoiceSmall" model = AutoModel( model=model_id, trust_remote_code=True, vad_model="fsmn-vad", vad_kwargs={"max_single_segment_time": 30000}, device="cuda:0", # 使用 GPU )

接下来定义处理函数，接收音频路径和语言参数，返回带标签的识别结果：

def sensevoice_process(audio_path, language): if audio_path is None: return "请先上传音频文件" res = model.generate( input=audio_path, cache={}, language=language, use_itn=True, batch_size_s=60, merge_vad=True, merge_length_s=15, ) if len(res) > 0: raw_text = res[0]["text"] clean_text = rich_transcription_postprocess(raw_text) return clean_text else: return "识别失败"

最后构建网页界面并启动服务：

with gr.Blocks(title="SenseVoice 多语言语音识别") as demo: gr.Markdown("# 🎙 SenseVoice 智能语音识别控制台") gr.Markdown(""" **功能特色：** - **多语言支持**：中、英、日、韩、粤语自动识别。 - 🎭 **情感识别**：自动检测音频中的开心、愤怒、悲伤等情绪。 - 🎸 **声音事件**：自动标注 BGM、掌声、笑声、哭声等。 """) with gr.Row(): with gr.Column(): audio_input = gr.Audio(type="filepath", label="上传音频或直接录音") lang_dropdown = gr.Dropdown( choices=["auto", "zh", "en", "yue", "ja", "ko"], value="auto", label="语言选择 (auto 为自动识别)" ) submit_btn = gr.Button("开始 AI 识别", variant="primary") with gr.Column(): text_output = gr.Textbox(label="识别结果 (含情感与事件标签)", lines=15) submit_btn.click( fn=sensevoice_process, inputs=[audio_input, lang_dropdown], outputs=text_output ) demo.launch(server_name="0.0.0.0", server_port=6006)

保存后运行：

python app_sensevoice.py

你会看到类似这样的输出：

Running on local URL: http://0.0.0.0:6006 To create a public link, set `share=True`

说明服务已在后台启动。

3.2 如何从本地访问 Web 界面？

由于云服务器通常不直接开放公网端口，你需要通过 SSH 隧道将远程服务映射到本地。

在你的本地电脑终端执行以下命令（请替换实际的 SSH 地址和端口）：

ssh -L 6006:127.0.0.1:6006 -p [SSH端口号] root@[服务器IP]

连接成功后，在本地浏览器打开：

http://127.0.0.1:6006

你就会看到熟悉的 Gradio 界面，可以开始上传音频测试了！

4. 使用技巧与常见问题

4.1 音频格式建议

虽然模型内部会自动重采样，但为了获得最佳效果，建议上传16kHz 采样率的单声道音频。常见的.wav、.mp3、.flac格式都可以正常解析。

如果上传的是视频文件（如.mp4），系统会自动提取音频轨道进行处理。

4.2 如何解读识别结果？

识别结果中包含两类特殊标记：

情感标签：如[HAPPY]、[ANGRY]、[SAD]
声音事件标签：如[BGM]、[APPLAUSE]、[LAUGHTER]

例如：

[APPLAUSE][BGM]感谢大家的到来，今天我们准备了一个特别惊喜[HAPPY]！

这表示：背景中有音乐和掌声，说话人语气充满喜悦。

你可以调用rich_transcription_postprocess()函数将其清洗成更友好的格式，比如把[HAPPY]替换为 “(开心)” 等中文提示。

4.3 语言选择策略

如果你确定音频语种，建议明确选择对应语言（如zh表示中文），有助于提升识别准确率。
若不确定，可使用auto模式，模型会尝试自动识别语种。
对于混合语言场景（如中英夹杂），模型也能较好地处理切换。

4.4 性能优化小贴士

批量处理：对于长音频，可分段处理以减少内存占用。
VAD 设置：已启用语音活动检测（VAD），避免静音部分干扰。
GPU 利用：确认device="cuda:0"生效，否则会退化为 CPU 推理，速度大幅下降。

5. 文件结构说明

镜像中包含以下关键文件：

文件名	功能说明
`app_sensevoice.py`	主程序，基于 Gradio 封装的交互式语音识别界面
`app.py`（可选）	其他语音模型（如 Paraformer-large）的旧版脚本，可用于对比测试

你可以根据需要修改app_sensevoice.py来增加新功能，比如：