TriTon_GPU部署SenseVoiceSmall接口 | FunASR使用TriTon推理 | GPU推理SenseVoiceSmall
这篇文章主要讲解如何在Linux服务器中部署triton_gpu方式推理的SenseVoiceSmall接口，支持高并发，转写速度快，适合在公司生产环境中使用，支持大规模并发转写，在A100显卡上，转写10小时音频，只需26秒完成，速度极快。
基于FunASR中的SenseVoiceSmall实现的客家话语音识别
本文介绍了基于阿里SenseVoiceSmall模型训练的客家话语音识别系统。研究针对虚拟数字人无法识别方言的问题，收集了2231条梅州、惠州和粤西客家话数据（含网络采集和自行录制），通过微调训练提升了模型在客家话识别上的表现。实验对比显示，训练后模型识别准确率显著优于原模型（如"你好大家好"识别正确率提升明显）。作者指出当前模型对非训练区域的客家话识别效果有限，建议至少使用200小时数据达到工业级水平，并欢迎其他方言训练需求合作。
CentOS部署FunASR实时语音识别接口
如何在CentOS7.9服务器中部署一套实时语音识别接口给其它项目调用呢？看本篇文章你就懂了，其实很简单，我们使用的是国内大厂开源的语音识别项目部署，并且这个接口由阿里官方编译好了，直接部署到生产服务器上就行了。
SenseVoice模型微调
无论是开源的ASR还是收费的ASR，在识别一些领域的专业名词时还是会有问题，识别不准确，那么我们可以自己制作数据集来微调，使得识别一些特定领域的名词更准确。本篇是基于阿里开源的ASR模型SenseVocieSmall做微调，使用人工智能和云计算领域的词汇造句微调。
funasr训练模型报错TypeError: device.__init__() missing 1 required positional argument: 'device'解决方法
funasr训练模型报错TypeError: device.__init__() missing 1 required positional argument: 'device'解决方法
解决安装pynini和WeTextProcessing报错问题
解决python中安装pynini和WeTextProcessing报错问题，报错ERROR: ERROR: Failed to build installable wheels for some pyproject.toml based projects (pynini)的解决方法
基于3D-Speaker进行区分说话人项目搭建过程报错记录
外呼系统中，我们的后台管理系统通常要对电话录音的内容进行提取和分析。那么说到分析，我们就要对录音中的两个人的对话进行分离，然后分别分析，比如分析客户是否有合作的意愿，分析客服讲的话术是否合理，分析客户情绪等等。那么这里就需要首先做说话人的分离。