tiangai100-sensevoice-funasr & tiangai100-whisper

天数智芯 天垓100 语音识别

该模型测试框架在天垓100加速卡上，适配 sensevoice 和 whisper 大类下的模型，将语音信号转换为文本。

SenseVoice 是由 FunAudioLLM 开发的一款开源音频处理模型，是阿里巴巴通义实验室推出的语音技术框架的核心模型之一，为高效、准确的多语言语音识别和音频分析工具。 该 sensevoice 测试框架支持 Sensevoice-Small 和 Sensevoice-Large 模型。

whisper 模型是 OpenAI 发布的一个通用语音识别模型，具有多语言支持、多任务学习等特点，采用编码器 - 解码器的 Transformer 结构。 该whisper测试框架支持tiny、base、small、medium、large、large-v2、large-v3等。

sensevoice 模型测试服务原理

通过 AutoModel （funasr 库提供的一个自动模型加载工具）加载 SenseVoice 模型，然后用 model.generate(...) 调用模型进行语音识别，其中 generate 是模型封装好的接口，内部实现了完整的语音识别流程。

whisper 模型测试服务原理

pipeline 为 Hugging Face transformers 库提供的高层 API ，用于快速构建特定任务的处理管道。pipeline 内部封装了语音预处理（如特征提取）、模型推理、结果后处理（如文本解码）等步骤，简化了语音识别的调用流程。代码中调用 pipeline 自动完成从音频数据到文本的转换。

如何使用 sensevoice 和 whisper 测试框架

代码实现了一个接收音频数据并返回识别文本的语音识别 HTTP 服务，并基于 corex:3.2.1 基础镜像，将该 HTTP 服务重新打包成 docker 镜像，通过 k8s 集群sut容器去请求这个 HTTP 服务。

sensevoice 和 whisper 语音识别模型测试服务请求示例

import requests  

# 服务健康检查
response = requests.get(f"{sut_url}/health")
print(response.status_code, response.text)

# 服务地址（根据实际部署情况修改IP和端口,端口为80）
url = f"{sut_url}/recognition"
#url = "http://localhost:80/recognition"

# 读取音频文件（需是服务支持的格式，如wav等）
with open("audio.wav", "rb") as f:
    audio_data = f.read()

# 请求参数（可选，指定语言，如中文为'zh'）
params = {
    "language": "zh"  # 支持的语言代码需参考whisper模型的支持列表
}

# 发送POST请求
response = requests.post(
    url,
    data=audio_data,  # 音频数据放在请求体中
    params=params     # 参数放在URL查询字符串中
)
# 请求体（data 参数）需要传入二进制音频数据
# 语言参数（language）是可选的，默认值为 en（英语）
# 支持的语言代码可参考 whisper 模型的官方文档（如中文是 zh，日语是 ja 等）
# 确保音频文件格式被模型支持（whisper 通常支持 wav、mp3 等常见格式）

# 解析响应结果
if response.status_code == 200:
    result = response.json()
    print("识别状态:", result["RecognitionStatus"])
    print("识别结果:", result["DisplayText"])
else:
    print("请求失败，状态码:", response.status_code)

成功时返回 JSON 格式的响应

{
    "RecognitionStatus": "Success",
    "DisplayText": "识别到的文本内容"
}

天垓100 SenseVoiceSmall 模型测试结果

测试方式为在 天垓100 加速卡和 Nvidia A100 上对同一段音频（约10s）进行语音识别任务，获取运行时间

模型类型	模型名称	天垓100运行时间/s	Nvidia A100运行时间/s
sensevoice	SenseVoiceSmall	0.2	0.06

天垓100 whisper-tiny 模型测试结果

测试方式为在 天垓100 加速卡和 CPU 上对同一段长音频（约9120s）进行语音识别任务，获取运行时间，1-cer指标

模型类型	模型名称	天垓 A100对比CPU加速比	天垓 A100 1-cer	CPU 1-cer
whisper	whisper-tiny	3.24x	0.792	0.794