自动同步: 2026-03-14 02:10
This commit is contained in:
+103
-43
@@ -1,44 +1,41 @@
|
||||
---
|
||||
name: kb-funasr
|
||||
description: 本地语音识别，支持音视频转文字（基于阿里 FunASR）
|
||||
description: 本地语音识别 - 使用阿里 FunASR 进行中文优化的语音识别
|
||||
---
|
||||
|
||||
# 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。
|
||||
**kb-funasr** - 本地语音识别，使用阿里 FunASR 将音视频文件转换为文本。
|
||||
|
||||
## 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）
|
||||
- kb-workflow 步骤 4 的备选方案：当 Whisper 效果不佳时
|
||||
- 中文语音识别（Paraformer 模型对中文优化）
|
||||
- 需要高精度中文识别
|
||||
|
||||
## 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 |
|
||||
| 变量名 | 必需 | 说明 |
|
||||
|--------|------|------|
|
||||
| `FUNASR_CACHE_DIR` | FunASR 模型缓存目录 | `~/.cache/modelscope/hub` |
|
||||
| `FUNASR_CACHE_DIR` | 否 | FunASR 模型缓存目录 |
|
||||
|
||||
## 使用方法
|
||||
## 命令
|
||||
|
||||
```bash
|
||||
# 基本用法（使用 Paraformer 模型）
|
||||
python funasr.py --input video.mp4
|
||||
# 基本用法（使用 Paraformer 中文模型，推荐）
|
||||
python3 funasr_tool.py --input video.mp4
|
||||
|
||||
# 指定模型
|
||||
python funasr.py --input video.mp4 --model paraformer-zh
|
||||
python3 funasr_tool.py --input video.mp4 --model paraformer-zh
|
||||
|
||||
# 指定输出目录
|
||||
python funasr.py --input video.mp4 --output ./output
|
||||
python3 funasr_tool.py --input video.mp4 --output ./output
|
||||
|
||||
# 异步执行（推荐）
|
||||
python funasr.py --input video.mp4 --background
|
||||
# 后台异步执行
|
||||
python3 funasr_tool.py --input video.mp4 --background
|
||||
```
|
||||
|
||||
## 命令参数
|
||||
## 参数说明
|
||||
|
||||
| 参数 | 说明 | 默认值 |
|
||||
|------|------|--------|
|
||||
@@ -49,47 +46,91 @@ python funasr.py --input video.mp4 --background
|
||||
|
||||
## 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
|
||||
| 模型 | 说明 | 推荐场景 |
|
||||
|------|------|---------|
|
||||
| `paraformer-zh` | Paraformer 中文模型 | **推荐**，中文优化 |
|
||||
| `paraformer` | Paraformer 多语言模型 | 多语言场景 |
|
||||
| `sensevoice` | SenseVoice 模型 | 高精度需求 |
|
||||
|
||||
## 输出文件
|
||||
## 输出格式 Schema
|
||||
|
||||
对于输入 `video.mp4`，将生成：
|
||||
### 必需字段
|
||||
|
||||
- `video.json` - 详细结果（包含时间戳、分段信息）
|
||||
- `video.txt` - 纯文本内容
|
||||
| 字段 | 类型 | 说明 |
|
||||
|------|------|------|
|
||||
| `success` | boolean | 是否识别成功 |
|
||||
| `input_file` | string | 输入文件路径 |
|
||||
| `model` | string | 使用的模型 |
|
||||
|
||||
## 输出格式示例
|
||||
### 可选字段
|
||||
|
||||
### JSON 格式
|
||||
| 字段 | 类型 | 说明 |
|
||||
|------|------|------|
|
||||
| `output_files` | object | 输出文件路径 |
|
||||
| `duration_seconds` | number | 音频时长 |
|
||||
| `segments` | array | 识别分段 |
|
||||
| `error` | string | 错误信息 |
|
||||
|
||||
## 成功示例
|
||||
|
||||
```json
|
||||
{
|
||||
"success": true,
|
||||
"input_file": "video.mp4",
|
||||
"input_file": "content/downloads/bilibili_BV1xx411c7mD.mp4",
|
||||
"model": "paraformer-zh",
|
||||
"output_files": {
|
||||
"json": "video.json",
|
||||
"txt": "video.txt"
|
||||
"json": "content/bilibili_BV1xx411c7mD_funasr.json",
|
||||
"txt": "content/bilibili_BV1xx411c7mD_funasr.txt"
|
||||
},
|
||||
"duration_seconds": 120.5,
|
||||
"duration_seconds": 630.5,
|
||||
"segments": [
|
||||
{
|
||||
"id": 0,
|
||||
"start": 0.0,
|
||||
"end": 3.2,
|
||||
"text": "这是第一段识别结果"
|
||||
},
|
||||
{
|
||||
"id": 1,
|
||||
"start": 3.2,
|
||||
"end": 6.5,
|
||||
"text": "这是第二段识别结果"
|
||||
}
|
||||
]
|
||||
}
|
||||
```
|
||||
|
||||
## Workflow 中的使用
|
||||
## 错误示例
|
||||
|
||||
```bash
|
||||
# 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
|
||||
### 模型未下载
|
||||
|
||||
```json
|
||||
{
|
||||
"success": false,
|
||||
"error": "模型未找到",
|
||||
"model": "paraformer-zh",
|
||||
"suggestion": "首次运行时会自动下载模型，请确保网络连接正常"
|
||||
}
|
||||
```
|
||||
|
||||
### 文件不存在
|
||||
|
||||
```json
|
||||
{
|
||||
"success": false,
|
||||
"error": "输入文件不存在",
|
||||
"input_file": "content/downloads/missing.mp4"
|
||||
}
|
||||
```
|
||||
|
||||
### 内存不足
|
||||
|
||||
```json
|
||||
{
|
||||
"success": false,
|
||||
"error": "内存不足",
|
||||
"suggestion": "尝试使用较小的模型或处理较短的音频片段"
|
||||
}
|
||||
```
|
||||
|
||||
## 安装
|
||||
@@ -98,16 +139,35 @@ python funasr.py --input ${video_path} --model paraformer-zh --background
|
||||
# 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
|
||||
# 2. 首次运行时自动下载模型
|
||||
python3 funasr_tool.py --input test.mp4
|
||||
|
||||
# 3. 复制技能到 skills 目录
|
||||
cp -r kb-funasr/ ~/skills/
|
||||
# 3. 复制技能
|
||||
cp -r kb-funasr/ ~/.openclaw/skills/
|
||||
```
|
||||
|
||||
## 在 kb-workflow 中的使用
|
||||
|
||||
```bash
|
||||
# 步骤 4 的备选方案（当 Whisper 效果不佳时）
|
||||
python3 ~/.openclaw/skills/kb-funasr/funasr_tool.py \
|
||||
--input "content/downloads/bilibili_BV1xx411c7mD.mp4" \
|
||||
--model paraformer-zh \
|
||||
--output "content/"
|
||||
|
||||
# 输出：
|
||||
# - bilibili_BV1xx411c7mD_funasr.json (完整结果)
|
||||
# - bilibili_BV1xx411c7mD_funasr.txt (纯文本)
|
||||
|
||||
# 完成后进入步骤 5（深度分析）
|
||||
```
|
||||
|
||||
## 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
|
||||
- **首次运行**：首次运行时会自动下载模型文件（约 1GB），需要稳定网络
|
||||
- **中文优化**：Paraformer 模型对中文识别效果优于 Whisper
|
||||
- **耗时操作**：语音识别可能需要几分钟到几十分钟
|
||||
- **文件格式**：支持 MP3、MP4、WAV、FLAC、OGG、M4A 等常见格式
|
||||
- **与 Whisper 对比**：
|
||||
- Whisper：通用性强，支持多语言
|
||||
- FunASR：中文优化，精度更高
|
||||
|
||||
Reference in New Issue
Block a user