asr-service

这是基于IFF托管的FunASR SenseVoice-Small模型的语音识别服务，核心功能含语音转文字、说话人分离，可生成SRT/VTT字幕。支持mp3、wav等音频格式，自动或指定中/英/日/韩/粤语，输出有JSON、文本、字幕等形式。可通过API或CLI调用，适用于音频转写、字幕制作等场景，还能查询服务状态。

vincentlau2046-sudo

热度 8.54

最近更新 2026-08-05 11:18:46

分类：效率依赖：第三方 API / 读写文件 / MCP 服务应用场景：文件转换

安装技能

复制下面的话术发给你的 Agent，它会通过 secure-skills 检索并安装该技能。

执行命令安装此 skill： npx secure-skills-cli add asr-service

Metadata

name: asr-service
version: 1.1.0
description: SenseVoice-Small ASR — 中文语音识别 + 说话人分离 + SRT/VTT 字幕，IFF 托管部署
metadata: {"openclaw":{"emoji":"🎤","requires":{"bins":["python3"]}}}
tags: ["asr","speech-to-text","sensevoice","transcription","audio"]

ASR Service — SenseVoice-Small

中文语音识别技能，基于 IFF 托管的 FunASR SenseVoice-Small 模型。

架构

消费者 (Nova/CLI/其他 Skill)
  → ASRSkill (transcribe / serve_status)
    → IFFManager → iff switch sensevoice-small
    → httpx → http://localhost:8881/v1/audio/transcriptions (model="sensevoice")
    → Postprocessor → 返回 TranscriptionResult

职责边界

层	职责
IFF	进程生命周期、GPU 调度、健康检查
ASR Skill	IFF 启停管理、API 调用、响应后处理

依赖

IFF v4.7.0+ (asr_server type + sensevoice-small)
FunASR SenseVoice-Small (Conda sensevoice, port 8881)
httpx, pyyaml

API

方法	说明
`skill.transcribe(audio_path, language=None, response_format="json", speaker_labels=False)`	语音转文字
`skill.transcribe_srt(audio_path, language=None, speaker_labels=False)`	转写并返回 SRT 字幕
`skill.transcribe_vtt(audio_path, language=None, speaker_labels=False)`	转写并返回 VTT 字幕
`skill.serve_status()`	ASR 服务状态

transcribe 参数

参数	默认值	说明
`audio_path`	(必填)	音频文件路径 (mp3, wav, m4a 等)
`language`	None (自动检测)	语言代码: zh, en, ja, ko, yue
`response_format`	"json"	json / text / verbose_json
`speaker_labels`	False	说话人分离，segments 中包含 speaker 字段

TranscriptionResult

字段	类型	说明
`text`	str	转写文本
`language`	str \| None	检测到的语言
`duration`	float \| None	音频时长 (秒)
`segments`	list \| None	分段时间戳 (verbose_json)

CLI

# 基本转写
{baseDir}/scripts/asr_cli.py transcribe audio.mp3

# 指定语言
{baseDir}/scripts/asr_cli.py transcribe audio.wav --language zh

# 详细输出（含时间戳、语言、时长）
{baseDir}/scripts/asr_cli.py transcribe audio.mp3 --format verbose_json

# 带说话人分离
{baseDir}/scripts/asr_cli.py transcribe audio.mp3 --speakers

# SRT 字幕输出
{baseDir}/scripts/asr_cli.py srt audio.mp3

# VTT 字幕输出（带说话人标签）
{baseDir}/scripts/asr_cli.py vtt audio.mp3 --speakers

# 服务状态
{baseDir}/scripts/asr_cli.py serve-status

约束

所有请求必须显式传 model="sensevoice"，不依赖 API 默认值
不使用 /asr 端点（会无条件触发 vLLM 引擎加载）
SenseVoice token 清洗（<|zh|><|HAPPY|> 等）由 funasr-server 端完成，Skill 不需重复处理

配置

config.yaml:

service:
  name: sensevoice-small
  base_url: http://localhost:8881
  health_timeout: 120
  switch_timeout: 120

retry:
  max_attempts: 3

defaults:
  model: sensevoice
  language: null
  response_format: json