2024 离线ASR和TTS推荐

一、前言

随着具身智能的发展和智能设备的发展，对于本地化运行ASR和TTS的需求越来越大。
在试用了目前许多的ASR和TTS的框架的时候下面是个人体验，感觉目前离线又比较小最好的两个框架：
（1）TTS框架：Edge-tts （100M<）
（2）ASR框架：Vosk（50M<）
这么小的完全可以部署在一些低性能的硬件上！

二、安装与使用

1、EdgeTTS的安装和使用

（1）Edge TTS介绍与效果试听

GitHub 仓库地址：https://github.com/rany2/edge-tts
相比目前主流的大模型语音合成服务如：GPTsovits、ChatTTS、Bert-VITS2、Cosyvoice等还需要配置torch-gpu环境，EdgeTTS整体运行环境比较大同时耗费的资源比较多，EdgeTTS操作起来对小白和低性能硬件更友好。

因为其底层是使用微软 Edge 的在线语音合成服务，所以不需要下载任何模型，甚至也不要 api_key ，安装库就能用，简直不要太良心~

关键是，除了支持普通话外，还支持很多地方口音(比如: 粤语、台湾口音、陕西话、辽宁东北话等)。
具体可以进我写的这个edge-tts合成的音频试听网站听一下
合成音频试听网址：https://demo.sztuai.com/

（2）Edge TTS安装

最基本的环境安装，只需要一个 pip 包即可！：

pip install edge-tts

（3）Edge TTS查看支持的音色

查看支持的所有音色：

linux  : edge-tts  --list-voices
windows: edge-tts  --list-voices

如果想查看支持的中文、粤语 or 台湾语

linux  : edge-tts  --list-voices| grep CN #HK # TW
windows: edge-tts  --list-voices| findstr CN #HK # TW

（4）Edge TTS python代码调用

基础的代码调用

import edge_tts

text = """曾经有一份真诚的爱情放在我面前，我没有珍惜，等我失去的时候我才后悔莫及，人世间最痛苦的事莫过于此。
如果上天能够给我一个再来一次的机会，我会对那个女孩子说三个字：我爱你。如果非要在这份爱上加上一个期限，我希望是……一万年"""

communicate = edge_tts.Communicate(text=text,
        voice="zh-HK-HiuGaaiNeural",
        rate='+0%',    # -30%表示语速变慢30%，+30%表示语速增加30%。
        volume= '+0%', # 通过–volume参数来设置播放的音量，-60%表示音量减少60%，+60%表示音量增加60%。
        pitch= '+0Hz') # 通过pitch参数来调整合成语音的频率，-50Hz表示降低频率50Hz，+50Hz则相反

communicate.save_sync("test.wav")

异步调用tts并合成查询到语音音色，用于试听（如果只是用中文那么可以在这个网站试听：https://demo.sztuai.com/）

import asyncio
import edge_tts
"创建一个异步任务"
async def amain(text,voice,output_file):
    """ Main function"""
    communicate = edge_tts.Communicate(text,voice)
    await communicate.save(output_file)

"添加多个异步任务"
async def main():
    " edge-tts  --list-voices| findstr CN 查询支持的音色并，打印音色试听"

    models="""
Name: zh-CN-XiaoxiaoNeural
Name: zh-CN-XiaoyiNeural
Name: zh-CN-YunjianNeural
Name: zh-CN-YunxiNeural
Name: zh-CN-YunxiaNeural
Name: zh-CN-YunyangNeural
Name: zh-CN-liaoning-XiaobeiNeural
Name: zh-CN-shaanxi-XiaoniNeural
"""
    models=models.split('Name:')
    models=[item.strip() for item in models if len(item.strip())>0]

    print(models)
    tasks=[]
    defaultText="随着具身智能的发展和智能设备的发展，对于本地化运行ASR和TTS的需求越来越大。520"
    for model in models:
        tasks.append(amain(defaultText,model,model+'.mp3'))
    await asyncio.gather(*tasks)

if __name__ == '__main__':
    asyncio.run(main())

2、Vosk 的安装和使用

（1）Vosk 介绍

github地址：https://github.com/alphacep/vosk-api

• 支持二十+种语言 - 中文，英语，印度英语，德语，法语，西班牙语，葡萄牙语，俄语，土耳其语，越南语，意大利语，荷兰人，加泰罗尼亚语，阿拉伯, 希腊语, 波斯语, 菲律宾语，乌克兰语, 哈萨克语, 瑞典语, 日语, 世界语, 印地语, 捷克语, 波兰语, 乌兹别克语, 韩国语
• 移动设备上脱机工作-Raspberry Pi，Android，iOS
• 使用简单的 pip3 install vosk 安装
• 每种语言的轻量模型只有是50Mb, 但还有更大的large模型可用
• 提供流媒体API，以提供最佳用户体验（与流行的语音识别python包不同）
• 还有用于不同编程语言的包装器-java / csharp / javascript等
• 可以快速重新配置词汇以实现最佳准确性
• 支持说话人识别

（2）Vosk安装

vosk包安装

pip install vosk

模型安装
下面如果是linux系统就运行下面的指令，如果是windows系统，就复制网址到浏览器中即可下载。
第一个是43m的模型，第二个1.3g的模型，平常使用50m的模型即可。（国内外都可以下载已测试过）

wget -c https://alphacephei.com/vosk/models/vosk-model-small-cn-0.22.zip
wget -c https://alphacephei.com/vosk/models/vosk-model-cn-0.15.zip

（3）Vosk python调用

将模型解压后,新建一个文件夹models将模型放到models里面，同时models与asrdemo.py放在同一级，如果要修改位置请修改第19行
asrdemo.py

#!/usr/bin/env python3
import json
import wave
import sys

from vosk import Model, KaldiRecognizer, SetLogLevel
def asr(audioPath):
    # You can set log level to -1 to disable debug messages
    SetLogLevel(0)

    wf = wave.open(audioPath, "rb")
    if wf.getnchannels() != 1 or wf.getsampwidth() != 2 or wf.getcomptype() != "NONE":
        print("Audio file must be WAV format mono PCM.")
        sys.exit(1)

    #model = Model(model_name=r"C:\Users\waitK\Downloads\vosk-model-small-cn-0.22\vosk-model-small-cn-0.22")

    # You can also init model by name or with a folder path
    model = Model("models/vosk-model-small-cn-0.22")


    rec = KaldiRecognizer(model, wf.getframerate())
    rec.SetWords(True)
    #rec.SetPartialWords(True) # 这个是流式识别的参数，如果要流式逐字识别就取消这里的注释、while循环里面else块里面的注释

    while True:
        data = wf.readframes(4000)
        if len(data) == 0:
            break
        if rec.AcceptWaveform(data):
            print(rec.Result())
            #print(json.loads(rec.Result())['text']) #如果只要打印文本则只需要运行这个

        else:
            #print(rec.PartialResult())
           # print(json.loads(rec.PartialResult())['partial'])

            pass

    print(rec.FinalResult())

if __name__ == '__main__':
    wavpath=input('音频地址：')# 绝对或相对都可

    asr(wavpath)```

注：更多功能和示例请参考源码中的example部分，那里很全。
注：部分时候识别音频会出现下面的报错：

这是因为使用您自己的音频文件时，请确保其格式正确 - PCM 16kHz 16bit 单声道。否则，需要用ffmpeg转一下
下面是优化有的步骤

安装ffmpeg

pip install imageio-ffmpeg

优化后，对于每一个音频我们都进行格式化为PCM 16kHz 16bit 单声道再识别，这样子就可以保证没有问题了。具体的代码如下：

#!/usr/bin/env python3
import json
import wave
import sys

from vosk import Model, KaldiRecognizer, SetLogLevel
import subprocess
import imageio_ffmpeg as ffmpeg
def formatAudio(input_file,output_file='output.wav'):

    # 构建 ffmpeg 命令
    command = [
        ffmpeg.get_ffmpeg_exe(),
        "-y",
        "-loglevel","0",
        "-i", input_file,
        "-acodec", "pcm_s16le",
        "-ac", "1",
        "-ar", "16000",
        output_file
    ]

    # 运行命令
    subprocess.run(command, check=True)

def init():
    # 初始化模型
    global model
    model = Model("models/vosk-model-small-cn-0.22")
def asr(audioPath):
    global model
    # 格式化音频为 PCM 16kHz 16bit 单声道。
    output_file = 'output.wav'
    audioPath=audioPath.replace('\"','')
    formatAudio(audioPath,output_file)

    # You can set log level to -1 to disable debug messages
    SetLogLevel(0)

    wf = wave.open(output_file, "rb")
    if wf.getnchannels() != 1 or wf.getsampwidth() != 2 or wf.getcomptype() != "NONE":
        print("Audio file must be WAV format mono PCM.")
        sys.exit(1)

    #model = Model(model_name=r"C:\Users\waitK\Downloads\vosk-model-small-cn-0.22\vosk-model-small-cn-0.22")




    rec = KaldiRecognizer(model, wf.getframerate())
    rec.SetWords(True)
    #rec.SetPartialWords(True) # 这个是流式识别的参数，如果要流式逐字识别就取消这里的注释、while循环里面else块里面的注释

    while True:
        data = wf.readframes(4000)
        if len(data) == 0:
            break
        if rec.AcceptWaveform(data):
            print(rec.Result())
            #print(json.loads(rec.Result())['text']) #如果只要打印文本则只需要运行这个

        else:
            #print(rec.PartialResult())
           # print(json.loads(rec.PartialResult())['partial'])

            pass

    print(rec.FinalResult())

if __name__ == '__main__':
    init() # 初始化模型
    while True:
        wavpath=input('待转录音频地址：')# 绝对或相对都可

        asr(wavpath)

三、结束语

到这里硬件就具备基本的asr和tts功能了，下面可以选择调用openai或者豆包来做为llm。
ASR --> LLM --> TTS
llm选择就相当多了，这里就不多赘述了，如果要本地可以试着ollama 的qwen1.5b。（现存3g左右就可以）
流式自然响应可以看看我以前写的这一篇博客：
使用pyaudio 录音，停止说话时自动结束