如何用SenseVoice Small识别语音并标注情感？科哥镜像快速上手

1. 引言：为什么选择SenseVoice Small进行语音情感识别？

在智能客服、会议记录、内容审核等实际应用场景中，仅识别语音文字已无法满足需求。理解说话人的情绪状态和音频中的环境事件，正成为下一代语音交互系统的核心能力。

SenseVoice Small 是由 FunAudioLLM 开发的轻量级音频基础模型，在保持高效推理速度的同时，集成了语音识别（ASR）、语种识别（LID）、语音情感识别（SER）和声学事件分类（AEC）四大功能。相比主流的 Whisper-small 模型，它不仅支持多语言高精度转录，还能自动标注“开心”“生气”“笑声”“背景音乐”等丰富标签，极大提升了语音数据的理解维度。

本文基于“SenseVoice Small 根据语音识别文字和情感事件标签 二次开发构建 by 科哥”这一预配置镜像环境，带你从零开始掌握如何快速部署、使用 WebUI 界面完成语音识别与情感分析，并提供可扩展的 API 调用方案，助力开发者高效集成到自有系统中。

2. 镜像环境准备与启动流程

2.1 镜像简介与优势

该镜像为社区开发者“科哥”对原始 SenseVoice 项目的二次封装版本，主要特点包括：

• ✅ 预装完整依赖环境（Python 3.10 + PyTorch + torchaudio）
• ✅ 内置webui.py和api.py双服务入口
• ✅ 支持本地离线运行（模型缓存已内置或可手动复制）
• ✅ 提供图形化 WebUI 界面，降低使用门槛
• ✅ 开放 RESTful API 接口，便于二次开发集成

提示：首次运行会自动加载模型至.cache/modelscope/hub/iic目录，建议将此目录保留以支持后续离线使用。

2.2 启动应用服务

无论你是通过云平台容器还是本地 JupyterLab 访问该镜像，均可通过以下命令重启或启动 WebUI 服务：

/bin/bash /root/run.sh

该脚本通常包含如下核心指令：

cd /root/SenseVoice python webui.py --port 7860 --host 0.0.0.0

2.3 访问 WebUI 地址

服务启动后，在浏览器中打开：

http://localhost:7860

若部署在远程服务器，请替换localhost为实际 IP 地址，并确保端口 7860 已开放防火墙规则。

3. WebUI 使用详解：四步完成语音识别与情感标注

3.1 界面布局说明

WebUI 页面采用简洁清晰的双栏设计：

┌─────────────────────────────────────────────────────────┐ │ [紫蓝渐变标题] SenseVoice WebUI │ │ webUI二次开发 by 科哥 | 微信：312088415 │ ├─────────────────────────────────────────────────────────┤ │ 📖 使用说明 │ ├──────────────────────┬──────────────────────────────────┤ │ 🎤 上传音频 │ 💡 示例音频 │ │ 🌐 语言选择 │ - zh.mp3 (中文) │ │ ⚙️ 配置选项 │ - en.mp3 (英文) │ │ 🚀 开始识别 │ - ja.mp3 (日语) │ │ 📝 识别结果 │ - ko.mp3 (韩语) │ └──────────────────────┴──────────────────────────────────┘

左侧为操作区，右侧为示例资源，方便新手快速体验。

3.2 步骤一：上传音频文件或录音

方式一：上传本地音频

点击🎤 上传音频或使用麦克风区域，选择支持格式的音频文件：

• 支持格式：MP3、WAV、M4A
• 推荐采样率：16kHz 或更高
• 建议时长：30秒以内（过长音频会影响响应速度）

方式二：实时麦克风录音

点击右侧麦克风图标，授权浏览器访问麦克风权限后：

1. 点击红色圆形按钮开始录制
2. 再次点击停止录音
3. 系统自动生成临时 WAV 文件用于识别

注意：确保环境安静，避免回声干扰，有助于提升识别准确率。

3.3 步骤二：选择识别语言

在🌐 语言选择下拉菜单中选择目标语言：

对于明确语种的音频，建议直接指定语言以获得更优识别效果。

3.4 步骤三：启动识别任务

点击🚀 开始识别按钮，系统将执行以下流程：

1. 加载音频数据
2. 执行 VAD（Voice Activity Detection）分割有效语音段
3. 调用 SenseVoice Small 模型进行联合识别：
   • 文字转录
   • 情感分类
   • 声学事件检测
4. 合并输出结构化结果

处理耗时参考：

• 10秒音频：约 0.5~1 秒
• 1分钟音频：约 3~5 秒
• 实际性能受 CPU/GPU 资源影响

3.5 步骤四：查看识别结果

识别完成后，结果将在📝 识别结果文本框中展示，格式如下：

🎼😀欢迎收听本期节目，我是主持人小明。😊

结构解析：

支持的情感标签（末尾显示）：

• 😊 开心 (HAPPY)
• 😡 生气/激动 (ANGRY)
• 😔 伤心 (SAD)
• 😰 恐惧 (FEARFUL)
• 🤢 厌恶 (DISGUSTED)
• 😮 惊讶 (SURPRISED)
• （无表情）= 中性 (NEUTRAL)

支持的事件标签（开头显示）：

• 🎼 背景音乐 (BGM)
• 👏 掌声 (Applause)
• 😀 笑声 (Laughter)
• 😭 哭声 (Cry)
• 🤧 咳嗽/喷嚏 (Cough/Sneeze)
• 📞 电话铃声
• 🚗 引擎声
• 🚶 脚步声
• 🚪 开门声
• 🚨 警报声
• ⌨️ 键盘声
• 🖱️ 鼠标声

4. 高级配置与优化技巧

4.1 配置选项说明

展开⚙️ 配置选项可调整以下参数（一般无需修改）：

修改这些参数可能影响识别精度或延迟，建议仅在特定场景下调试使用。

4.2 提升识别质量的实用建议

4.3 示例音频快速体验

点击右侧💡 示例音频列表中的任意条目即可立即测试：

5. 二次开发指南：调用本地 API 实现自动化识别

虽然 WebUI 适合人工操作，但在生产环境中我们往往需要程序化调用。以下是基于 Python 的 API 调用示例，可用于构建自动化语音处理流水线。

5.1 启动 API 服务

首先确保api.py正常运行，并修改其启动方式以支持外网访问：

if __name__ == "__main__": import uvicorn uvicorn.run(app, host="0.0.0.0", port=8666)

然后启动服务：

python api.py

API 地址为：

http://localhost:8666/api/v1/asr

5.2 完整调用代码示例

import io import time import wave import requests from tqdm import tqdm import speech_recognition as sr import re class AudioRecorder: def __init__(self, rate=16000): self.rate = rate self.recognizer = sr.Recognizer() def record(self): with sr.Microphone(sample_rate=self.rate) as source: print('请在倒计时结束前说话', flush=True) start_time = time.time() audio = None for _ in tqdm(range(20), desc="倒计时", unit="s"): try: audio = self.recognizer.listen(source, timeout=1, phrase_time_limit=15) break except sr.WaitTimeoutError: if time.time() - start_time > 20: print("未检测到语音输入") break if audio is None: print("未检测到语音输入") return None audio_data = audio.get_wav_data() return io.BytesIO(audio_data) def save_wav(self, audio_data, filename="temp_output.wav"): audio_data.seek(0) with wave.open(filename, 'wb') as wav_file: wav_file.setnchannels(1) wav_file.setsampwidth(2) wav_file.setframerate(self.rate) wav_file.setcomptype("NONE", "not compressed") wav_file.writeframes(audio_data.read()) audio_data.seek(0) def run(self): audio_data = self.record() if audio_data: self.save_wav(audio_data, "temp_output.wav") return audio_data class SenseVoice: def __init__(self, api_url, emo=False): self.api_url = api_url self.emo = emo def _extract_second_bracket_content(self, raw_text): match = re.search(r'<[^<>]*><([^<>]*)>', raw_text) if match: return match.group(1) return None def _get_speech_text(self, audio_data): print('正在进行语音识别') files = [('files', ('audio.wav', audio_data, 'audio/wav'))] data = {'keys': 'audio1', 'lang': 'auto'} response = requests.post(self.api_url, files=files, data=data) if response.status_code == 200: result_json = response.json() if "result" in result_json and len(result_json["result"]) > 0: if self.emo: emotion = self._extract_second_bracket_content(result_json["result"][0]["raw_text"]) text = result_json["result"][0]["text"] return f"{emotion}\n{text}" else: return result_json["result"][0]["text"] else: return "未识别到有效的文本" else: return f"请求失败，状态码: {response.status_code}" def speech_to_text(self, audio_data): return self._get_speech_text(audio_data) # 使用示例 if __name__ == "__main__": recorder = AudioRecorder() audio_data = recorder.run() if audio_data: api_url = "http://localhost:8666/api/v1/asr" sense_voice = SenseVoice(api_url, emo=True) result = sense_voice.speech_to_text(audio_data) print("识别结果:", result)

5.3 返回结果示例

API 原始返回 JSON 示例：

{ "result": [ { "key": "audio1", "raw_text": "<speech><happy>欢迎收听本期节目，我是主持人小明。</speech>", "text": "欢迎收听本期节目，我是主持人小明。" } ] }

经处理后输出：

happy 欢迎收听本期节目，我是主持人小明。

6. 总结

SenseVoice Small 凭借其多模态感知能力（文字 + 情感 + 事件），正在成为轻量级语音理解场景的理想选择。结合“科哥”提供的二次开发镜像，用户可以：

• 快速部署 WebUI 进行交互式测试
• 利用示例音频验证情感与事件识别效果
• 通过 API 接口实现自动化语音处理流水线
• 在低资源环境下实现百毫秒级响应

尽管当前 large 模型尚未开源，但 small 版本已在多数日常场景中表现出色，尤其适合教育、客服质检、内容创作等领域。

未来可进一步探索：

• 将识别结果接入 NLP 情绪分析 pipeline
• 构建带情感标签的语音数据库
• 实现实时直播语音监控系统

掌握这一工具链，意味着你已具备构建“听得懂情绪”的语音智能系统的初步能力。

7. 常见问题解答

版权声明：本镜像由“科哥”二次开发并维护，联系方式微信 312088415。项目基于 FunAudioLLM/SenseVoice 开源协议发布，承诺永久开源使用，请保留原作者版权信息。

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。