SenseVoiceSmall代码实例：批量处理音频文件的Python脚本
SenseVoiceSmall代码实例：批量处理音频文件的Python脚本
1. 引言：为什么需要批量处理？
你有没有遇到过这种情况：手头有几十个会议录音、客户访谈或课程音频，想快速转成文字做归档？一个个上传到 WebUI 点击识别，不仅费时，还容易出错。这时候，自动化脚本就是你的救星。
本文要讲的，不是怎么用 Gradio 点点点，而是如何利用SenseVoiceSmall 模型的 Python API，写一个能自动遍历文件夹、批量识别音频、输出带情感和事件标签的文字结果的实用脚本。
我们基于阿里开源的funasr库，结合模型自带的富文本后处理能力，打造一个真正能“干活”的工具。无论你是做内容分析、客户服务质检，还是学术研究，这个脚本能帮你把重复劳动交给机器。
核心价值：
学完这篇，你将掌握：
- 如何在代码中调用 SenseVoiceSmall 模型
- 如何实现多语言自动识别与情感/事件标注
- 如何批量处理整个文件夹的音频
- 输出结构化文本，方便后续分析
2. 环境准备与模型加载
2.1 安装依赖
确保你的环境已经安装了必要的库。如果你使用的是官方镜像，大部分依赖已经就绪，只需确认以下包：
pip install funasr modelscope gradio avfunasr：阿里巴巴语音识别工具包，支持 SenseVoiceSmall。av：用于高效音频解码（比 librosa 快很多）。gradio：虽然我们不用 WebUI，但它内部依赖可能被 funasr 调用。
2.2 初始化模型
这是最关键的一步。我们需要加载SenseVoiceSmall模型，并配置好参数，让它能处理长音频、检测情感和声音事件。
from funasr import AutoModel from funasr.utils.postprocess_utils import rich_transcription_postprocess import os # 加载模型 model = AutoModel( model="iic/SenseVoiceSmall", trust_remote_code=True, device="cuda:0", # 使用 GPU 加速，若无 GPU 改为 "cpu" vad_model="fsmn-vad", # 启用语音活动检测 vad_kwargs={"max_single_segment_time": 30000}, # 单段最长 30 秒 )参数说明：
| 参数 | 作用 |
|---|---|
trust_remote_code=True | 允许加载远程自定义模型代码 |
device="cuda:0" | 使用第一块 GPU，提升推理速度 |
vad_model | 启用语音分割，避免静音段干扰 |
max_single_segment_time | 控制每段语音长度，防止显存溢出 |
3. 批量处理脚本设计
3.1 核心逻辑拆解
我们要实现的功能是：
- 给定一个音频文件夹路径
- 遍历所有
.wav,.mp3等常见格式 - 对每个文件调用模型识别
- 将结果保存为同名
.txt文件 - 支持自动语言识别或指定语言
3.2 完整脚本实现
import os from funasr import AutoModel from funasr.utils.postprocess_utils import rich_transcription_postprocess # 初始化模型（只加载一次，复用） model = AutoModel( model="iic/SenseVoiceSmall", trust_remote_code=True, device="cuda:0", vad_model="fsmn-vad", vad_kwargs={"max_single_segment_time": 30000}, ) def batch_transcribe_folder( input_dir: str, output_dir: str, language: str = "auto", # 可选: zh, en, yue, ja, ko use_itn: bool = True, ): """ 批量转录音频文件夹 Args: input_dir: 音频文件夹路径 output_dir: 输出文本文件夹路径 language: 语言设置，"auto" 表示自动识别 use_itn: 是否启用文本正规化（如数字转汉字） """ # 创建输出目录 os.makedirs(output_dir, exist_ok=True) # 支持的音频格式 audio_exts = {".wav", ".mp3", ".flac", ".m4a", ".ogg"} # 遍历文件夹 for filename in os.listdir(input_dir): file_path = os.path.join(input_dir, filename) # 跳过非文件和非音频 if not os.path.isfile(file_path): continue _, ext = os.path.splitext(filename.lower()) if ext not in audio_exts: print(f"跳过非音频文件: {filename}") continue print(f"正在处理: {filename} ...") try: # 调用模型识别 res = model.generate( input=file_path, cache={}, language=language, use_itn=use_itn, batch_size_s=60, merge_vad=True, merge_length_s=15, ) if len(res) == 0: result_text = "识别失败：未检测到有效语音" else: raw_text = res[0]["text"] # 使用内置后处理清洗富文本标签 clean_text = rich_transcription_postprocess(raw_text) result_text = clean_text # 保存为同名 .txt 文件 txt_filename = os.path.splitext(filename)[0] + ".txt" txt_path = os.path.join(output_dir, txt_filename) with open(txt_path, "w", encoding="utf-8") as f: f.write(result_text) print(f"✅ 已保存结果: {txt_path}") except Exception as e: print(f"❌ 处理 {filename} 时出错: {str(e)}") with open(os.path.join(output_dir, "error.log"), "a", encoding="utf-8") as f: f.write(f"{filename}: {str(e)}\n") # 使用示例 if __name__ == "__main__": batch_transcribe_folder( input_dir="./audios", # 替换为你的音频文件夹 output_dir="./transcripts", # 输出文件夹 language="auto", # 自动识别语言 )4. 脚本功能详解
4.1 富文本后处理：让标签更易读
SenseVoice 的原始输出会包含类似<|HAPPY|>、<|BGM|>这样的标签。直接看有点乱，所以我们用rich_transcription_postprocess做清洗。
比如：
原始输出： "<|zh|><|HAPPY|>今天天气真好！<|LAUGHTER|>哈哈哈<|en|><|SAD|>I'm feeling blue..." 清洗后： "[开心] 今天天气真好！[笑声] 哈哈哈 [悲伤] I'm feeling blue..."这个函数会自动转换语言码、情感和事件标签，输出人类可读的格式，非常适合后续分析。
4.2 多语言自动识别
通过设置language="auto"，模型会自动判断每段语音的语言。这对于混合语种的对话特别有用，比如中英夹杂的会议记录。
如果你确定全是中文，可以设为language="zh"，提升一点准确率。
4.3 错误处理与日志记录
脚本中加入了异常捕获机制。如果某个音频损坏或格式不支持，不会导致整个任务中断，而是记录错误并继续处理下一个文件。
同时生成error.log，方便事后排查问题。
5. 实际使用建议
5.1 推荐的音频格式
虽然模型支持多种格式，但为了稳定性和效率，建议：
- 采样率：16kHz（模型训练数据主流）
- 声道数：单声道（节省资源）
- 编码：PCM WAV 或 MP3（兼容性好）
你可以用ffmpeg提前批量转换：
# 批量转为 16k 单声道 wav for file in *.mp3; do ffmpeg -i "$file" -ar 16000 -ac 1 "${file%.mp3}.wav" done5.2 性能优化技巧
| 场景 | 建议 |
|---|---|
| 显存有限 | 减小batch_size_s（如设为 30） |
| 长音频多 | 启用merge_vad=True，合并短句 |
| 追求速度 | 使用 GPU，避免 CPU 推理 |
| 多任务并发 | 启动多个进程分摊文件夹 |
5.3 输出结果的应用场景
生成的文本可以直接用于：
- 情绪趋势分析：统计一段对话中“开心”、“愤怒”出现频率
- 关键事件定位：查找掌声、笑声时间点，用于视频剪辑
- 内容摘要：结合大模型对转录文本做总结
- 客服质检：自动检测服务态度是否友好
6. 总结：从手动到自动的跃迁
6.1 你学到了什么？
通过这篇文章，你应该已经掌握了：
- 如何用 Python 调用SenseVoiceSmall模型进行语音识别
- 如何实现批量处理，摆脱逐个上传的低效操作
- 如何利用富文本后处理提取情感和声音事件
- 一套可直接运行的脚本，拿来就能用
这不仅仅是一个技术实现，更是工作方式的升级——把重复劳动交给代码，让你专注更有价值的分析和决策。
6.2 下一步可以做什么？
- 把脚本封装成命令行工具（用
argparse） - 添加时间戳输出，支持字幕生成
- 结合 Whisper 或 Paraformer 做对比评测
- 将结果导入数据库，做可视化看板
自动化的声音理解，才刚刚开始。
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。