SenseVoice WebUI 用户使用手册

运行截图

bug反馈可以加入科哥专属群交流➕ 广告勿进！​

​

科哥在UCloud镜像列表【不断更新中】：

• https://kege-aigc.feishu.cn/docx/L3FVdQl7kom8Ckx7QiicQj2VnEd

本手册指导用户如何使用 SenseVoice WebUI 进行语音识别

---

快速开始

开机自动启动webUI或者进入Jupyterlab后，终端输入下面指令重启应用：

/bin/bash /root/run.sh

访问地址

在浏览器中打开：

http://localhost:7860

---

界面说明

页面布局

┌─────────────────────────────────────────────────────────┐
│  [紫蓝渐变标题] SenseVoice WebUI                        │
│  webUI二次开发 by 科哥 | 微信：312088415               │
├─────────────────────────────────────────────────────────┤
│  📖 使用说明                                             │
├──────────────────────┬──────────────────────────────────┤
│  🎤 上传音频          │  💡 示例音频                      │
│  🌐 语言选择          │  - zh.mp3 (中文)                 │
│  ⚙️ 配置选项          │  - en.mp3 (英文)                 │
│  🚀 开始识别          │  - ja.mp3 (日语)                 │
│  📝 识别结果          │  - ko.mp3 (韩语)                 │
└──────────────────────┴──────────────────────────────────┘

---

使用步骤

步骤 1: 上传音频

方式一：上传文件

1. 点击 🎤 上传音频或使用麦克风 区域
2. 选择音频文件（支持 MP3、WAV、M4A 等格式）
3. 等待文件上传完成

方式二：麦克风录音

1. 点击 🎤 上传音频或使用麦克风 右侧的麦克风图标
2. 浏览器会请求麦克风权限，点击"允许"
3. 点击红色录制按钮开始录音
4. 再次点击停止录音

步骤 2: 选择语言

点击 🌐 语言选择 下拉菜单，选择识别语言：

语言	说明
auto	自动检测（推荐）
zh	中文
en	英文
yue	粤语
ja	日语
ko	韩语
nospeech	无语音

步骤 3: 开始识别

点击 🚀 开始识别 按钮，等待识别完成。

识别时间：

• 10秒音频：约 0.5-1 秒
• 1分钟音频：约 3-5 秒
• 时长与 CPU/GPU 性能相关

步骤 4: 查看结果

识别结果会显示在 📝 识别结果 文本框中，包含：

1. 文本内容：识别出的文字

2. 情感标签（在文本末尾）：

   • 😊 开心 (HAPPY)
   • 😡 生气/激动 (ANGRY)
   • 😔 伤心 (SAD)
   • 😰 恐惧 (FEARFUL)
   • 🤢 厌恶 (DISGUSTED)
   • 😮 惊讶 (SURPRISED)
   • 无表情 = 中性 (NEUTRAL)

3. 事件标签（在文本开头）：

   • 🎼 背景音乐 (BGM)
   • 👏 掌声 (Applause)
   • 😀 笑声 (Laughter)
   • 😭 哭声 (Cry)
   • 🤧 咳嗽/喷嚏 (Cough/Sneeze)
   • 📞 电话铃声
   • 🚗 引擎声
   • 🚶 脚步声
   • 🚪 开门声
   • 🚨 警报声
   • ⌨️ 键盘声
   • 🖱️ 鼠标声

---

示例音频

点击右侧 💡 示例音频 列表中的任意音频，可以快速体验：

示例	语言	内容特点
zh.mp3	中文	日常对话
yue.mp3	粤语	粤语识别
en.mp3	英文	英文朗读
ja.mp3	日语	日文识别
ko.mp3	韩语	韩文识别
emo_1.wav	自动	情感识别示例
rich_1.wav	自动	综合识别示例

---

配置选项

点击 ⚙️ 配置选项 展开高级设置（通常无需修改）：

选项	说明	默认值
语言	识别语言	auto
use_itn	逆文本正则化	True
merge_vad	合并 VAD 分段	True
batch_size_s	动态批处理	60秒

---

识别结果示例

中文示例

开放时间早上9点至下午5点。😊

• 文本：开放时间早上9点至下午5点。
• 情感：😊 开心

英文示例

The tribal chieftain called for the boy and presented him with 50 pieces of gold.

• 文本：部落首领叫来了男孩，并给了他50块金币。

带事件标签示例

🎼😀欢迎收听本期节目，我是主持人小明。😊

• 事件：🎼 背景音乐 + 😀 笑声
• 文本：欢迎收听本期节目，我是主持人小明。
• 情感：😊 开心

---

使用技巧

1. 最佳音频质量

• 采样率：推荐 16kHz 或更高
• 格式：WAV（无损）> MP3 > M4A
• 时长：推荐 30 秒以内（最长无限制）
• 环境：安静环境，减少背景噪音

2. 语言选择建议

• 明确语言：如果确定是某种语言，直接选择对应语言，识别更准确
• 混合语言：选择 "auto" 自动检测
• 方言/口音：使用 "auto" 获得更好效果

3. 提高识别准确率

• 确保音频清晰，无回声
• 减少背景噪音
• 使用高质量麦克风
• 语速适中，不要过快

---

常见问题

Q: 上传音频后没有反应？

A: 检查音频文件是否损坏，尝试重新上传。

Q: 识别结果不准确？

A:

• 检查音频质量
• 确认语言选择是否正确
• 尝试使用 "auto" 自动检测

Q: 识别速度慢？

A:

• 音频时长过长会导致处理时间增加
• 检查服务器 CPU/GPU 占用情况
• 尝试使用更短的音频片段

Q: 如何复制识别结果？

A: 点击识别结果文本框右侧的复制按钮。

---

版权信息

开发: 科哥 联系方式: 微信 312088415 开源承诺: 承诺永远开源使用，保留本人版权信息

技术支持: FunAudioLLM/SenseVoice

---

最后更新: 2026-01-04

---

镜像名称

• 基于SenseVoice多语言语音识别模型 WebUI 二次开发 构建by科哥

镜像简介

SenseVoice WebUI 是一个功能强大的多语言语音识别 Web 应用，支持语音识别（ASR）、情感识别（SER）和事件检测（AED）。本镜像基于 FunAudioLLM/SenseVoice 项目进行二次开发，提供现代化的用户界面和开箱即用的使用体验。

• 功能： 这个镜像主要用于多语言语音识别，支持中文、英文、粤语、日语、韩语等50+语言的自动识别，同时具备情感识别（6种情感）和事件检测（音乐、掌声、笑声等12种事件）功能。
• 特点： 预装了 PyTorch <=2.3、FunASR >=1.1.3、Gradio 6.2.0 环境，模型自动下载到本地，一键运行，紫蓝渐变现代简约UI设计。

环境与依赖

本镜像构建和运行所需的基础环境。

• 框架及版本：

  • PyTorch <= 2.3
  • FunASR >= 1.1.3
  • Gradio >= 6.2.0（实际安装6.2.0）
  • ModelScope（模型下载）
  • FastAPI >= 0.111.1
  • Uvicorn

• Python版本： Python 3.12 (conda py312 虚拟环境)

• CUDA版本： CUDA 11.8 / cuDNN 8（支持GPU加速，自动检测）

• 其他依赖：

  • librosa（音频处理）
  • soundfile（音频读写）
  • numpy <= 1.26.4（科学计算）
  • pyyaml（配置管理）

配置方法

1. 启动 WebUI 服务

bash scripts/start_app.sh

启动脚本会自动：

• 检测并释放 7860 端口（如果有占用）
• 激活 py312 conda 环境
• 下载模型到 ./models/ 目录（首次运行）
• 启动 WebUI 服务

2. 访问 WebUI

浏览器访问：http://localhost:7860

3. 模型配置

模型配置文件位于 config/settings.yaml，可修改：

• 模型路径
• 推理参数
• UI 主题和颜色
• 输出路径

4. 端口配置

默认端口 7860，可通过环境变量修改：

export PORT=8080
bash scripts/start_app.sh

环境验证代码

Python 环境验证

from funasr import AutoModel
import torch

print("=== SenseVoice 环境验证 ===")
print(f"PyTorch 版本: {torch.__version__}")
print(f"CUDA 可用: {torch.cuda.is_available()}")
if torch.cuda.is_available():
    print(f"CUDA 版本: {torch.version.cuda}")
    print(f"GPU 设备: {torch.cuda.get_device_name(0)}")

# 测试模型加载
try:
    model = AutoModel(
        model="./models/SenseVoiceSmall",
        vad_model="./models/vad_model",
        trust_remote_code=True,
    )
    print("✅ 模型加载成功！")
except Exception as e:
    print(f"❌ 模型加载失败: {e}")

快速验证命令

# 检查 conda 环境
conda activate py312 && python --version

# 检查依赖
pip list | grep -E "torch|funasr|gradio"

# 检查模型文件
ls -lh ./models/SenseVoiceSmall/model.pt
ls -lh ./models/vad_model/model.pt

# 检查端口
lsof -i:7860

相关链接

• 项目源码： FunAudioLLM/SenseVoice
• FunASR框架： modelscope/FunASR
• 模型卡片： SenseVoiceSmall - ModelScope
• Gradio文档： Gradio Official Docs
• 二次开发作者： 科哥 | 微信：312088415

常见问题

Q1：首次启动模型下载很慢怎么办？ A1： 模型约 900MB，下载时间取决于网络速度。如果下载中断，重新运行启动脚本会自动断点续传。也可以手动从 ModelScope 下载模型到 ./models/ 目录。

Q2：识别结果是乱码？ A2： 检查模型权重文件 model.pt 是否存在。确保符号链接指向正确的模型目录：

ls -la ./models/SenseVoiceSmall/model.pt  # 应该显示约 893MB

Q3：GPU 内存不足怎么办？ A3： 在 config/settings.yaml 中设置 device: "cpu" 使用 CPU 推理，或者减小 batch_size_s 参数。

Q4：如何更改页面主题颜色？ A4： 编辑 webui.py 中的 custom_theme 部分，修改 primary_hue 和 secondary_hue 颜色值。

Q5：支持批量处理吗？ A5： 当前版本支持单文件识别。批量处理功能可在 WebUI 上连续上传多个音频文件进行识别。

Q6：如何导出识别结果？ A6： 识别结果会显示在页面上，可以复制文本。结果也会保存到 ./outputs/outputs_YYYYMMDDHHMMSS/ 目录。

Q7：端口被占用无法启动？ A7： 启动脚本会自动检测并终止占用 7860 端口的进程。如果仍然失败，手动检查：

lsof -ti:7860 | xargs kill -9