vv-asr

语音识别命令行工具。

特性

• 多模型支持：SenseVoiceSmall、Fun-ASR-Nano 等
• 自动设备检测：CUDA / MPS (Apple Silicon) / CPU
• 半精度优化：自动选择 bfloat16 / float16 加速推理
• VAD 分段：语音活动检测，输出带时间戳的字幕
• 热词增强：提高特定词汇的识别准确度
• 批量处理：支持同时处理多个音频文件

快速开始

环境要求

• Python 3.10+
• uv 包管理器

安装

git clone https://github.com/wangiii/vv-asr.git
cd vv-asr
uv sync

基本使用

# 识别单个音频
uv run python asr_tool.py audio.mp3

# 批量识别
uv run python asr_tool.py *.mp3 -o ./results

# 指定语言
uv run python asr_tool.py audio.mp3 -l zh

# 添加热词
uv run python asr_tool.py audio.mp3 --hotwords 人工智能 机器学习

命令行参数

参数	说明	默认值
-m, --model	ASR 模型名称	iic/SenseVoiceSmall
-d, --device	计算设备 (auto/cuda/mps/cpu)	auto
-l, --language	识别语言 (auto/zh/en/ja)	auto
-o, --output-dir	输出目录	./output
-b, --batch-size	批处理大小	1
--hotwords	热词列表	-
--no-vad	禁用 VAD 分段	-
--vad-max-time	VAD 最大分段时长 (ms)	30000
--no-itn	禁用逆文本规范化	-
--no-compile	禁用 torch.compile	-
--no-half	禁用半精度	-
--threads	CPU 线程数	全部核心

输出格式

转录结果保存为带时间戳的文本文件：

[00:00:00.630 --> 00:00:05.090] 第一句话
[00:00:05.370 --> 00:00:10.200] 第二句话

架构设计

核心流程

音频文件 → VAD 分段 → 重采样 (16kHz) → ASR 识别 → 清理标签 → 输出字幕

支持的模型

模型	说明	适用场景
iic/SenseVoiceSmall	阿里达摩院，速度快，多语言	通用场景 (推荐)
FunAudioLLM/Fun-ASR-Nano-2512	更小的模型，需要 Qwen3-0.6B	资源受限环境

License

MIT