Archived

This repository has been archived on 2026-02-15. You can view files and clone it. You cannot open issues or pull requests or push a commit.

Files

T

starmen1265 29dd236bb9 feat(kb-workflow): 切换为 Whisper 语音识别

- 将步骤5从 OCR 改为 Whisper 语音识别
- 更新 kb-whisper 支持自动音频转换
- 默认使用中文语言 (zh) 和 base 模型
- 更新输出格式为 {platform}_{id}.txt/.srt/.json
- 添加 FunASR 作为备用方案

2026-02-13 09:04:27 +08:00

2.7 KiB

Raw Blame History

name, description

name	description
kb-funasr	本地语音识别，支持音视频转文字（基于阿里 FunASR）

KB FunASR Skill

kb-funasr - 本地语音识别，使用阿里 FunASR 将音视频文件转换为文本和 JSON 格式输出。

什么时候使用

当用户需要：

将视频/音频文件转换为文字
获取带时间戳的详细识别结果
需要中文优化的语音识别（Paraformer 模型）

环境变量

在使用之前，必须检查环境变量是否已经设置。

变量名	用途	示例
`FUNASR_CACHE_DIR`	FunASR 模型缓存目录	`~/.cache/modelscope/hub`

使用方法

# 基本用法（使用 Paraformer 模型）
python funasr.py --input video.mp4

# 指定模型
python funasr.py --input video.mp4 --model paraformer-zh

# 指定输出目录
python funasr.py --input video.mp4 --output ./output

# 异步执行（推荐）
python funasr.py --input video.mp4 --background

命令参数

参数	说明	默认值
`--input`	输入音视频文件路径	必需
`--model`	FunASR 模型类型	`paraformer-zh`
`--output`	输出目录	文件所在目录
`--background`	后台异步执行	False

模型选项

paraformer-zh - Paraformer 中文模型（轻量，中文优化，推荐）
paraformer - Paraformer 多语言模型
sensevoice - SenseVoice 多语言模型

输出文件

对于输入 video.mp4，将生成：

video.json - 详细结果（包含时间戳、分段信息）
video.txt - 纯文本内容

输出格式示例

JSON 格式

{
  "success": true,
  "input_file": "video.mp4",
  "model": "paraformer-zh",
  "output_files": {
    "json": "video.json",
    "txt": "video.txt"
  },
  "duration_seconds": 120.5,
  "segments": [
    {
      "id": 0,
      "start": 0.0,
      "end": 3.2,
      "text": "这是第一段识别结果"
    }
  ]
}

Workflow 中的使用

# 步骤4之后：如果已有音频但无字幕，可以使用 FunASR
python funasr.py --input ${video_path} --model paraformer-zh --background

安装

# 1. 安装依赖
pip install funasr modelscope

# 2. 首次运行时会自动下载模型到缓存目录
python funasr.py --input test.mp4

# 3. 复制技能到 skills 目录
cp -r kb-funasr/ ~/skills/

注意事项

异步执行: 使用 --background 参数时，命令会在后台运行，不阻塞主代理
模型选择: paraformer-zh 模型适合中文语音识别，速度较快，精度较高
文件格式: 支持 MP3、MP4、WAV、FLAC、OGG、M4A 等常见格式
首次运行: 首次运行时会自动下载模型文件，需要稳定的网络连接

2.7 KiB Raw Blame History