阿里开放的多用途语音辨识软件包 — FunASR

FunASR指的是什么？

由阿里巴巴达摩院开放的FunASR是一款集成了多种功能的语音识别工具包，涵盖了如自动语音识别（ASR）、语音活动检测（VAD）、标点符号恢复、语言建模、说话人验证与分离以及多发言人环境下的自动语音识别等功能。该工具包专为训练和微调工业标准级别的声学模型设计，其目的是为了支持研究者和技术开发者在提高工作效率的同时，在声音转文字的技术领域取得突破并促进技术进步。借助于预先训练的模型和简便的操作界面，FunASR让用户能够迅速搭建出适合各种应用场景的声音识别服务。到了2024年10月16日，随着对Whisper-large-v3-turbo模型的支持加入，其在语音处理上的应用范围得到了进一步扩展。

FunASR的核心特性

• 语音转文字技术（ASR）把语音讯号转化为文字资料。
• 语音活跃性识别（VAD）区分并提取语音信号里的有用声音片段，同时移除无声段落和环境杂音。
• 恢复标点符号在处理语音识别输出时，自动插入标点符号以增强文本的易读性。
• 语音身份确认确认并核实发言者的身份。
• 讲话者区分在多人群聊里识别各个发言者的声音。
• 增加讲话者的自动语音识别功能在应对多个个体同步发声的情况时，对每位发言者的音频进行辨识与区隔。

FunASR的核心技术机制

• 语言的自动化处理技术（LAPT）把握和创造自然语言的能力，以达成顺畅交流的目标。
• 声音的辨识与生成技术把用户的声音转化为文字，并生成虚拟人物的语音来播放。
• 语音活动检测(Voice Activity Detection)利用FSMN-VAD模型精确捕捉声音片段的开始与终止点，从而增强语音辨识的效果。
• 标点符号预估融合了标点预测功能的模型能够为转换生成的文本自动插入恰当的标点符号，从而使输出内容更贴合常规阅读模式，并增强文档的理解度。

FunASR项目的网址

• 官方网站PROJECT访问网站：voiceai.tech
• Git代码库：访问FunASR项目的GitHub仓库，请前往 https://github.com/modelscope/FunASR 页面。

FunASR的使用情境

• 智能化助理与数字助手在智能手机和智能家居装置中实现诸如通过语音指令操控及搜索信息之类的语音互动功能。
• 会议纪要与录音文字化能够把会议里的讲话自动转化为文本记录，从而提升会议纪要的速度与精确度。
• 客户服务与电话服务中心利用自动语音识别技术提升客户服务效率和品质的同时降低人力开支。
• 声控查询在搜索引擎里集成语音识别技术后，用户可以通过口语来提出搜索请求。