readme.md

特别鸣谢

本程序中的预处理及后处理代码，来自于：https://github.com/chenkui164/FastASR

线程数与性能关系

测试环境Rocky Linux 8，仅测试cpp版本结果（未测python版本），@acely

简述： 在3台配置不同的机器上分别编译并测试，在fftw和onnxruntime版本都相同的前提下，识别同一个30分钟的音频文件，分别测试不同onnx线程数量的表现。

目前可以总结出大致规律：

并非onnx线程数越多越好 2线程比1线程提升显著，线程再多则提升较小 线程数等于CPU物理核心数时效率最好 实操建议：

大部分场景用3-4线程性价比最高 低配机器用2线程合适

API

API文档

演示

注意

本程序只支持 采样率16000hz, 位深16bit的 单声道 音频。

快速使用

Windows

安装Vs2022 打开cpp_onnx目录下的cmake工程，直接 build即可。 本仓库已经准备好所有相关依赖库。

Windows下已经预置fftw3、onnxruntime及openblas库

Linux

See the bottom of this page: Building Guidance

运行程序

tester /path/to/models/dir /path/to/wave/file

例如： tester /data/models /data/test.wav

/data/models 需要包括如下两个文件： model.onnx 和vocab.txt

支持平台

• Windows
• Linux/Unix

依赖

• fftw3
• onnxruntime

导出onnx格式模型文件

安装 modelscope与FunASR，依赖：torch，torchaudio，安装过程详细参考文档

pip install "modelscope[audio_asr]" -f https://modelscope.oss-cn-beijing.aliyuncs.com/releases/repo.html
git clone https://github.com/alibaba/FunASR.git && cd FunASR
pip install --editable ./

导出onnx模型，详见，参考示例，从modelscope中模型导出：

python -m funasr.export.export_model 'damo/speech_paraformer-large_asr_nat-zh-cn-16k-common-vocab8404-pytorch' "./export" true

Building Guidance for Linux/Unix

git clone https://github.com/RapidAI/RapidASR.git
cd RapidASR/cpp_onnx/
mkdir build
cd build
# download an appropriate onnxruntime from https://github.com/microsoft/onnxruntime/releases/tag/v1.14.0
# here we get a copy of onnxruntime for linux 64
wget https://github.com/microsoft/onnxruntime/releases/download/v1.14.0/onnxruntime-linux-x64-1.14.0.tgz
# ls
# onnxruntime-linux-x64-1.14.0  onnxruntime-linux-x64-1.14.0.tgz

#install fftw3-dev
apt install libfftw3-dev

# build
 cmake  -DCMAKE_BUILD_TYPE=release .. -DONNXRUNTIME_DIR=/mnt/c/Users/ma139/RapidASR/cpp_onnx/build/onnxruntime-linux-x64-1.14.0
 make

 # then in the subfolder tester of current direcotry, you will see a program, tester

The structure of a qualified onnxruntime package.

onnxruntime_xxx
├───include
└───lib