语音识别结果导出：SenseVoiceSmall JSON格式生成实战
1. 引言：为什么需要结构化语音识别输出？
你有没有遇到过这种情况：用语音识别工具转写了一段会议录音，结果只得到一长串文字，根本分不清谁在什么时候说了什么，更别说判断说话人的情绪或背景里的掌声、笑声了？传统ASR（自动语音识别）只能解决“说了什么”，但真实场景中我们更关心“怎么说得”、“当时什么氛围”。
今天要讲的SenseVoiceSmall，正是为了解决这个问题而生。它不只是把声音变文字，还能告诉你这段话是开心地说的，还是愤怒地反驳，背景里有没有音乐或掌声——这些信息，对内容分析、客服质检、视频剪辑都至关重要。
本文将带你从零开始，部署 SenseVoiceSmall 模型，并重点实现一个关键功能：将识别结果以结构化的 JSON 格式导出，方便后续程序处理、存储或集成到其他系统中。
2. 模型简介：SenseVoiceSmall 能做什么？
SenseVoiceSmall 是阿里巴巴达摩院开源的一款多语言语音理解模型，属于 FunASR 项目的一部分。相比传统语音识别模型，它的核心优势在于支持“富文本转录”（Rich Transcription），即在转写文字的同时，标注出情感和声音事件。
2.1 多语言高精度识别
支持以下语种：
- 中文（zh）
- 英文（en）
- 粤语（yue）
- 日语（ja）
- 韩语（ko）
无需切换模型，一句话里夹杂多种语言也能准确识别。
2.2 情感与声音事件识别
这是 SenseVoice 的杀手级功能：
| 类型 | 支持标签 |
|---|---|
| 情感 | `< |
| 声音事件 | `< |
这些标签会直接嵌入到识别结果中，比如：
<|HAPPY|>今天天气真好啊！<|LAUGHTER|><|BGM|>这意味着你不仅能知道“说了什么”，还能感知“说话时的情绪”和“环境音变化”。
2.3 极致推理速度
采用非自回归架构，在 NVIDIA 4090D 上可实现秒级转写，适合实时或批量处理长音频。
3. 环境准备与快速部署
3.1 基础依赖
确保你的环境满足以下条件：
# Python 版本 python --version # 推荐 3.11 # 安装核心库 pip install torch==2.5.0 funasr modelscope gradio av -U其中：
funasr：阿里开源的语音识别工具包av：用于高效音频解码（比 librosa 快得多）gradio：构建 Web 可视化界面ffmpeg：系统级音频处理工具（需提前安装）
提示：如果你使用的是预置镜像，通常这些依赖已安装完毕。
3.2 下载并运行 WebUI 脚本
创建文件app_sensevoice.py，内容如下：
import gradio as gr from funasr import AutoModel from funasr.utils.postprocess_utils import rich_transcription_postprocess import json import os # 初始化模型 model_id = "iic/SenseVoiceSmall" model = AutoModel( model=model_id, trust_remote_code=True, vad_model="fsmn-vad", vad_kwargs={"max_single_segment_time": 30000}, device="cuda:0", # 使用 GPU 加速 )这个脚本初始化了 SenseVoiceSmall 模型，并启用了 VAD（语音活动检测），能自动切分静音段，提升长音频处理效率。
4. 实现 JSON 结果导出功能
默认的rich_transcription_postprocess函数只会返回清洗后的纯文本。但我们希望保留原始结构信息，便于后续分析。因此，我们需要绕过后处理函数，直接解析原始输出，并构造成标准 JSON 格式。
4.1 修改识别函数，返回结构化数据
替换原来的sensevoice_process函数：
def sensevoice_to_json(audio_path, language): if audio_path is None: return {"error": "请上传音频文件"} # 调用模型 res = model.generate( input=audio_path, cache={}, language=language, use_itn=True, batch_size_s=60, merge_vad=True, merge_length_s=15, ) if len(res) == 0: return {"error": "识别失败"} raw_text = res[0]["text"] # 手动解析带标签的文本，生成结构化 JSON segments = parse_rich_text(raw_text) return { "success": True, "total_segments": len(segments), "transcription": segments } def parse_rich_text(text): """ 将 <|TAG|> 形式的富文本解析成结构化列表 """ segments = [] current_segment = {"text": "", "emotion": None, "event": None} i = 0 while i < len(text): if text[i] == '<' and i + 3 < len(text) and text[i:i+2] == '<|': # 找到标签结束 end = text.find('|>', i) if end == -1: break tag = text[i+2:end] i = end + 2 # 分类标签 if tag in ["HAPPY", "ANGRY", "SAD", "NEUTRAL"]: current_segment["emotion"] = tag.lower() elif tag in ["BGM", "APPLAUSE", "LAUGHTER", "CRY"]: current_segment["event"] = tag.lower() else: # 遇到新标签前先保存当前段落 if current_segment["text"].strip(): segments.append(current_segment) current_segment = {"text": "", "emotion": None, "event": None} else: current_segment["text"] += text[i] i += 1 # 添加最后一段 if current_segment["text"].strip(): segments.append(current_segment) return segments4.2 更新 Gradio 界面，支持 JSON 输出
修改 WebUI，增加一个“导出 JSON”按钮：
with gr.Blocks(title="SenseVoice 智能语音识别") as demo: gr.Markdown("# 🎙️ SenseVoice 富文本语音识别与导出") with gr.Row(): with gr.Column(scale=2): audio_input = gr.Audio(type="filepath", label="上传音频") lang_dropdown = gr.Dropdown( choices=["auto", "zh", "en", "yue", "ja", "ko"], value="auto", label="语言选择" ) submit_btn = gr.Button("开始识别", variant="primary") with gr.Column(scale=3): result_text = gr.Textbox(label="纯文本结果", lines=8) json_output = gr.JSON(label="结构化 JSON 输出", collapsible=True) submit_btn.click( fn=sensevoice_to_json, inputs=[audio_input, lang_dropdown], outputs=[result_text, json_output] )这样，用户点击识别后，不仅能看见清洗后的文字，还能看到完整的 JSON 数据结构。
5. JSON 输出示例与应用场景
5.1 实际输出样例
假设输入一段包含情绪和背景音的中文语音，JSON 输出可能如下：
{ "success": true, "total_segments": 3, "transcription": [ { "text": "今天项目终于上线了，", "emotion": "happy", "event": null }, { "text": "大家辛苦了！", "emotion": "happy", "event": "applause" }, { "text": "接下来我们继续加油。", "emotion": "neutral", "event": null } ] }5.2 这个 JSON 能用来做什么？
- 客服质检系统：自动标记客户是否愤怒，辅助判定投诉等级。
- 视频字幕生成：根据情感调整字幕颜色（如愤怒用红色），增强表现力。
- 会议纪要分析：统计发言情绪分布，识别关键讨论节点（如掌声处可能是决策点）。
- AI 视频剪辑：自动剪辑“笑声密集”片段用于短视频推广。
- 教育评估：分析教师授课情绪变化，优化教学方式。
6. 本地访问与调试技巧
6.1 启动服务
python app_sensevoice.py如果一切正常，你会看到类似输出：
Running on local URL: http://0.0.0.0:60066.2 外部访问配置
由于云服务器通常不开放公网端口，需通过 SSH 隧道转发：
ssh -L 6006:127.0.0.1:6006 -p [SSH_PORT] root@[SERVER_IP]连接成功后，在本地浏览器打开： 👉 http://127.0.0.1:6006
即可访问 Web 界面。
6.3 调试建议
- 音频格式问题：优先使用
.wav或.mp3，采样率 16kHz 最佳。 - GPU 内存不足：可尝试降低
batch_size_s参数（如设为 30）。 - 识别不准：检查是否开启了
use_itn=True（数字规范化），避免“138”读成“一百三十八”。
7. 总结：让语音识别真正“懂”人类表达
SenseVoiceSmall 不只是一个语音转文字工具，它是通往“理解声音背后含义”的桥梁。通过本文的实践，你已经掌握了如何：
- 部署支持多语言、情感识别的先进语音模型；
- 解析富文本标签，构建结构化 JSON 输出；
- 将识别结果集成到实际业务系统中，发挥更大价值。
未来你可以进一步扩展功能：
- 添加时间戳，实现逐句对齐；
- 支持批量音频导入，一键生成多个 JSON 文件；
- 将结果存入数据库，构建语音分析平台。
技术的价值不在于炫技，而在于解决问题。当你能从一段录音中提取出情绪波动、掌声节奏、背景音乐的变化时，你就不再只是“听到了声音”，而是真正“读懂了现场”。
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。
