AsrServe – 自托管语音转文本服务

它是什么

• 一个即用型 API，可将口语音频转换为书面文本。它在本地运行，因此无需云调用，并支持实时流式传输和批量文件转录。
• 该服务捆绑了最新的开源语音模型（用于识别的 Confucius4‑R2T2、用于标点的 CT‑Transformer、用于说话人分离的 Nemotron‑3），并为您的硬件（CUDA GPU、CPU 或 Apple Silicon）选择最高效的推理路径。

主要功能

• 最先进的准确性 – 使用 Confucius4‑R2T2 模型和标点转换器，在处理完整个文件后恢复句子边界。
• 实时和离线模式 – 相同的模型权重支持低延迟 WebSocket 流和批量 /v1/audio/transcriptions 端点。
• 说话人分离 – 使用 Nemotron‑3 分离模型识别录音中最多 8 个说话人。
• 单词级时间戳 – 来自 Qwen3‑ForcedAligner 的可选时间戳。
• 兼容 OpenAI 的 API – 端点遵循 OpenAI /v1/audio/transcriptions 和 /v1/realtime 约定，因此现有 SDK 可直接使用。
• 热词和提示 – 您可以提供术语列表和录音上下文（最多 2048 个字符），以指导识别器而不强制替换。
• 跨平台 – 适用于 GPU（quantatrisk/asrserve:gpu）、CPU（:cpu）和 Ascend 910B（:ascend）的 Docker 镜像。通过捆绑的 Rust 后端原生支持 macOS，无需 Docker。
• 易于部署 – 用于 GPU/CPU 的 Docker‑Compose 文件、用于 macOS 的基于 uv 的简单 Python 启动脚本，以及用于离线机器预下载模型的脚本。

如何开始

# GPU（Docker）– 拉取镜像并启动服务
docker compose up -d               # 使用 quantatrisk/asrserve:gpu

# 仅 CPU（Docker）
docker compose -f compose.cpu.yml up -d   # 拉取 quantatrisk/asrserve:cpu

# macOS 原生（无需 Docker）
uv sync --frozen && ./scripts/build-rust.sh
HF_HOME="$PWD/models/huggingface" uv run --no-sync python start.py   # http://localhost:17003

• 首次运行会将所需的模型文件下载到 ./models。
• 服务监听端口 17003；Swagger 文档位于 /docs。

典型 API 调用

• 文件转录（README 中的 curl 示例）– 发送 WAV 文件，可选的 hotwords、prompt、enable_speaker_diarization 和 word_timestamps 标志。
• 实时流式传输 – 打开 ws://localhost:17003/v1/stream 的 WebSocket，并流式传输 16 kHz PCM16 音频，或使用兼容 OpenAI 的端点 /v1/realtime?intent=transcription 并带有 Base64 编码的 24 kHz 音频。

适用场景

• 不允许将音频发送到外部服务的私有或受监管环境。
• 需要低延迟转录（语音助手、实时字幕）以及偶尔批量处理较长录音的应用程序。
• 说话人标签有用的多说话人会议。

限制/注意事项

• 需要相当好的 GPU 才能获得最快性能；CPU 模式较慢但仍可用。
• 标点恢复在 CPU 上运行，因此会在主转录后增加一个后处理步骤。
• 热词/提示长度限制为 2048 个字符；更长的输入返回 HTTP 400。
• 模型文件很大（数百 MB 到几 GB），首次启动时需要下载。

了解更多

• 实时演示：https://asr.ieeio.com
• 完整文档：docs/ 文件夹（部署、实时协议、OpenAI 实时示例）。
• 发布说明详细介绍了准确性改进和破坏性更改。

联系方式

• 电子邮件：pengzhia@gmail.com
• 仓库中包含微信二维码，用于直接联系。