Gipformer ASR

越南语语音识别 — 支持任意长度音频输入，返回文本转录结果。

Huggingface 模型：g-group-ai-lab/gipformer-65M-rnnt（65M 参数，支持 int8/fp32 格式的 ONNX 模型）

架构

flowchart TD
    A[音频文件] -->|base64 编码| B[POST /transcribe]
    B --> C[解码并重采样至 16kHz]
    C --> D[VAD 分块（≤ 20 秒）]
    D --> E[批处理推理 — sherpa-onnx]
    E --> F[合并各分块文本]
    F --> G["{ transcript, chunks }"]

客户端发送 base64 编码的音频（任意长度、任意格式）。服务端负责解码、VAD 分块、批量推理，并返回完整转录文本。

快速开始

1. 安装依赖

pip install -r {baseDir}/requirements.txt

系统依赖：ffmpeg（用于支持 M4A 格式）。

2. 启动服务端

python {baseDir}/scripts/serve.py
# 或指定参数启动：
python {baseDir}/scripts/serve.py --port 8910 --quantize int8 --max-batch-size 32

服务端首次运行时将自动下载 ASR 模型与 VAD 模型，并监听地址 http://127.0.0.1:8910。

3. 转录音频

# 单个文件（任意格式）
python {baseDir}/scripts/transcribe.py audio.wav
python {baseDir}/scripts/transcribe.py recording.mp3

# 多个文件
python {baseDir}/scripts/transcribe.py *.wav

# 输出 JSON 格式（含分块细节）
python {baseDir}/scripts/transcribe.py audio.wav --json

# 保存结果到文件
python {baseDir}/scripts/transcribe.py audio.wav -o results.json

4. 直接调用 API（curl）

# 转录音频（任意长度、任意格式）
curl -X POST http://127.0.0.1:8910/transcribe 
  -H "Content-Type: application/json" 
  -d "{"audio_b64": "$(base64 -i audio.wav)"}"

# 响应示例：
# { "transcript": "完整文本...", "duration_s": 120.5, "process_time_s": 5.2,
#   "chunks": [{"text": "...", "start_s": 0.0, "end_s": 8.7}, ...] }

# 健康检查
curl http://127.0.0.1:8910/health

音频格式支持

所有格式在内部均被统一转换为 WAV 格式（16 位 PCM、单声道、16kHz）。

服务端调优参数

API 参考文档

完整接口说明请参阅 references/api.md。