FunASR

Ne işe yarar?

FunASR, çevrimdışı ses dosyalarını veya canlı ses akışlarını metne dönüştüren açık kaynaklı bir otomatik konuşma tanıma (ASR) araç setidir. Konuşma tanıma sürecinde ses etkinliği algılama (VAD), noktalama işaretlerini ekleme, duygu tanıma ve konuşmacı ayrımı gibi adımları bütünleşik biçimde yürütür. Hem merkezi işlem birimi (CPU) hem de grafik işlem birimi (GPU) üzerinde çalışabilen sistem, Model Bağlam Protokolü (MCP) sunucusu ve OpenAI uyumlu API desteği sunar. Tek bir model yerine SenseVoice ve Fun-ASR-Nano gibi farklı model seçenekleri sağlayarak ihtiyaca göre esnek kullanım imkânı tanır.

Neler için kullanılabilir?

• Toplantı veya röportaj kayıtlarını otomatik olarak metne dönüştürüp noktalama işaretlerini eklemek
• Canlı ses yayınlarını eşzamanlı olarak yazıya dökerek altyazı oluşturmak
• Ses kaydındaki farklı konuşmacıları tespit edip konuştukları kısımları ayrıştırmak
• Yapay zekâ ajanlarına konuşma tanıma ve sesli komut anlama yeteneği kazandırmak

Nasıl kullanılır?

1. Öncelikle pip install torch torchaudio komutuyla PyTorch bağımlılıklarını kurun.
2. pip install funasr komutunu çalıştırarak FunASR kütüphanesini yükleyin.
3. SenseVoice veya Fun-ASR-Nano modellerini Python AutoModel arayüzüyle çağırarak ses dosyalarınızı yazıya dökün.

Adımlar deponun README'sinden özetlendi; güncel kurulum için deponun kendi sayfasına bakın.

Kimler için?

Ses tanıma, konuşmacı ayrımı ve ses işleme hatlarını projelerine entegre etmek isteyen Python geliştiricileri.

Aynı kategoriden

• Whisper Konuşmaları metne dönüştüren ve çeviri yapabilen genel amaçlı yapay zekâ modeli.
• VoiceStudio Kendi bilgisayarınızda çalışan ses klonlama, dublaj ve konuşma tanıma aracı.
• GPT-SoVITS (63K) Kısa bir ses kaydıyla ses klonlama ve metinden konuşma üretimi sağlayan web arayüzü.
• voicebox (57,7K) Yerel olarak çalışan açık kaynaklı yapay zekâ ses stüdyosu ve dikte aracı.
• whisper.cpp OpenAI Whisper modelinin C ve C++ ile yazılmış yüksek performanslı yerel sürümüdür.
• VoxCPM (39K) 30 dilde doğal seslendirme, ses tasarımı ve klonlama sunan açık kaynaklı TTS modeli.