「简体中文」|「English」
SenseVoice是具有音频理解能力的音频基础模型， 包括语音识别（ASR）、语种识别（LID）、语音情感识别（SER）和声学事件分类（AEC）或声学事件检测（AED）。 当前SenseVoice-small支持中、粤、英、日、韩语的多语言语音识别，情感识别和事件检测能力，具有极低的推理延迟。
本项目基于ggml推理框架。
- 基于ggml，不依赖其他第三方库, 致力于端侧部署
- 特征提取参考kaldi-native-fbank库，支持多线程特征提取。
- 支持flash attention解码
- 支持Q3, Q4, Q5, Q6, Q8量化
| 后端 | 平台 | 是否支持 |
|---|---|---|
| CPU | All | ✅ |
| Metal | Apple Silicon | ✅ |
| BLAS | All | ✅ |
| CUDA | Nvidia GPU | ✅ |
| Vulkan | GPU | ✅ |
| Cann | Ascend NPU | 未测试 |
| BLIS | All | |
| SYCL | Intel and Nvidia GPU | |
| MUSA | Moore Threads GPU | |
| hipBLAS | AMD GPU |
可以直接从下面链接下载模型
git lfs install
git clone https://huggingface.co/lovemefan/sense-voice-gguf.git
# 或从modelscope下载
git clone https://www.modelscope.cn/models/lovemefan/SenseVoiceGGUF.git或许自行下载官方模型转换
# 下载官方模型
git lfs install
git clone https://www.modelscope.cn/iic/SenseVoiceSmall.git
# 转换模型
python scripts/convert-pt-to-gguf.py \
--model SenseVoiceSmall \
--output /path/to/export/gguf-fp32-sense-voice-small.bin \
--out_type f32以下列举的参数支持，未列举的暂不支持：
usage: ./bin/sense-voice-main [options] file.wav
options:
-t N, --threads N [4 ] 解码使用的线程数
-l LANG, --language LANG [auto ] 语音代码 ('auto' 为自动检测), 支持 [`zh`, `en`, `yue`, `ja`, `ko`]，分别对应中文、英文、粤语、日语、韩语
-m FNAME, --model FNAME [models/sense-voice-small-q4_k.gguf] gguf模型路径
-f FNAME, --file FNAME [ ] wav文件路径， 当前仅支持16k采样率的音频
--min_speech_duration_ms [250 ] vad 参数， 切割音频最小长度，单位毫秒
--max_speech_duration_ms [15000 ] vad 参数， 切割音频最大长度，单位毫秒
--min_silence_duration_ms [100 ] vad 参数，静默最小长度
-ng, --no-gpu [false ] 不使用GPU
-fa, --flash-attn [false ] 使用flash attention 解码
-itn, --use-itn [false ] 使用逆文本正则化，包括标点。
-prfix, --use-prefix [false ] 输出语种、情感、事件、是否itngit clone https://github.com/lovemefan/SenseVoice.cpp
cd SenseVoice.cpp
git submodule sync && git submodule update --init --recursive
mkdir build && cd build
cmake -DCMAKE_BUILD_TYPE=Release .. && make -j 8
# -t means thread num， -t 指定线程数
./bin/sense-voice-main -m /path/gguf-fp16-sense-voice-small.bin /path/asr_example_zh.wav -t 4 -ng以下是使用sense-voice-q4_k模型在Macbook M1上输出:
$ ./bin/sense-voice-main -m /Users/Code/cpp-project/SenseVoice.cpp/scripts/resources/SenseVoiceGGUF/sense-voice-small-q4_k.gguf /Users/Downloads/asr_example_zh.wav -t 1 -l auto -itn -prefix
sense_voice_small_init_from_file_with_params_no_state: loading model from '/Users/Code/cpp-project/SenseVoice.cpp/scripts/resources/SenseVoiceGGUF/sense-voice-small-q4_k.gguf'
sense_voice_init_with_params_no_state: use gpu = 1
sense_voice_init_with_params_no_state: flash attn = 0
sense_voice_init_with_params_no_state: gpu_device = 0
sense_voice_init_with_params_no_state: devices = 3
sense_voice_init_with_params_no_state: backends = 3
sense_voice_model_load: version: 3
sense_voice_model_load: alignment: 32
sense_voice_model_load: data offset: 423680
sense_voice_model_load: loading model
sense_voice_model_load: n_vocab = 25055
sense_voice_model_load: n_encoder_hidden_state = 512
sense_voice_model_load: n_encoder_linear_units = 2048
sense_voice_model_load: n_encoder_attention_heads = 4
sense_voice_model_load: n_encoder_layers = 50
sense_voice_model_load: n_mels = 80
sense_voice_model_load: ftype = 12
sense_voice_model_load: vocab[25055] loaded
sense_voice_default_buffer_type: using device Metal (Apple M1 Pro)
sense_voice_model_load: Metal total size = 181.86 MB
sense_voice_model_load: n_tensors: 1212
sense_voice_model_load: load SenseVoiceSmall takes 0.338000 second
sense_voice_backend_init_gpu: using Metal backend
ggml_metal_init: allocating
ggml_metal_init: found device: Apple M1 Pro
ggml_metal_init: picking default device: Apple M1 Pro
ggml_metal_init: using embedded metal library
ggml_metal_init: GPU name: Apple M1 Pro
ggml_metal_init: GPU family: MTLGPUFamilyApple7 (1007)
ggml_metal_init: GPU family: MTLGPUFamilyCommon3 (3003)
ggml_metal_init: GPU family: MTLGPUFamilyMetal3 (5001)
...
sense_voice_backend_init: using BLAS backend
sense_voice_backend_init: using CPU backend
sense_voice_init_state: kv pad size = 3.67 MB
sense_voice_init_state: compute buffer (encoder) = 3.09 MB
sense_voice_init_state: compute buffer (encoder) = 17.53 MB
sense_voice_init_state: compute buffer (decoder) = 7.99 MB
system_info: n_threads = 1 / 8 | AVX = 0 | AVX2 = 0 | AVX512 = 0 | FMA = 0 | NEON = 1 | ARM_FMA = 1 | F16C = 0 | FP16_VA = 1 | WASM_SIMD = 0 | SSE3 = 0 | SSSE3 = 0 | VSX = 0 | COREML = 0 | OPENVINO = 0
main: processing audio (88747 samples, 5.54669 sec) , 1 threads, 1 processors, lang = auto...
[0.96-5.18] <|zh|><|NEUTRAL|><|Speech|><|withitn|>欢迎大家来体验达摩院推出的语音识别模型。
main: decoder audio use 0.103725 s, rtf is 0.018700.
流式的vad是基于信号处理实现的，区别于非流式的vad是使用模型实现的
usage: ./bin/sense-voice-stream [options]
options:
-t N, --threads N [4 ] [SenseVoice] 解码使用的线程数
--chunk_size [100 ] vad chunk 大小(单位ms)
-mmc --min-mute-chunks [10 ] 静音片段最小chunk数量
-mnc --max-nomute-chunks [80 ] 最大非静音chunk数量
--use-vad [false ] 是否使用vad
--use-prefix [false ] 是否使用 sensevoice的额外信息（语种、情感、事件、是否itn）
-c ID, --capture ID [-1 ] [Device] capture device ID
-l LANG, --language LANG [auto ] [SenseVoice] 语音代码 ('auto' 为自动检测), 支持 [`zh`, `en`, `yue`, `ja`, `ko`]，分别对应中文、英文、粤语、日语、韩语
-m FNAME, --model FNAME [models/sense-voice-small-q4_k.gguf] [SenseVoice] 模型路径
-ng, --no-gpu [false ] 不使用GPU
-fa, --flash-attn [false ] 使用flash attention 解码
-itn, --use-itn [false ] 使用逆文本正则化，包括标点。
sudo apt install libsdl2-dev
./bin/sense-voice-stream -m /path/gguf-fp16-sense-voice-small.binhttps://github.com/lovemefan/SenseVoice.cpp/releases/download/v1.4.0/sense-voice-straming.mp4
- 本项目借用并模仿来自whisper.cpp 的大部分c++代码
- 参考来自funasr的paraformer模型结构以及前向计算 FunASR
- 本项目参考并借用 kaldi-native-fbank中的fbank特征提取算法。 FunASR 中的lrf + cmvn 算法
- 借用了大量的前期工作paraformer.cpp, paraformer.cpp项目后续将继续更新
