sherpa-onnx Paraformer 中文 ASR（2023-09-14 版，int8）

sherpa-onnx 离线中文语音识别模型（Paraformer-large，int8 量化，纯 CPU 推理）。 认准 2023-09-14 版：该版本的 Paraformer 导出才输出字级时间戳（每个字一个时间点），做字幕对齐 / 强制对齐必须用这一版；其他日期版本只有句级时间戳。

来源

上游：csukuangfj/sherpa-onnx-paraformer-zh-2023-09-14（HuggingFace / hf-mirror.com），本仓库为字节级原样拷贝，未做任何改动。
底层模型：阿里达摩院 Paraformer-large（FunASR，Apache-2.0）。
2026-09 时点 ModelScope 无此仓库，故自行镜像。

文件清单

文件	大小	SHA256
`model.int8.onnx`	243,371,218 B（~232 MiB）	`f36a0433bcf096bd6d6f11b80a3ac8bed110bdca632fe0d731df8d1a84475945`
`tokens.txt`	75,756 B	`59aba8873a2ed1e122c25fee421e25f283b63290efbde85c1f01a853d83cb6e6`

安装

pip install sherpa-onnx numpy   # CPU 版即可，无需 CUDA

快速使用

python demo.py your_audio.wav    # 16k(或其他采样率)单声道/立体声均可
python demo.py                   # 无参数 = 自检（合成音频跑通加载+解码链路）

demo.py 默认从脚本所在目录加载模型，把本仓库整个下载下来即可直接运行，无需任何配置。

在代码中调用（生产同款参数）

import sherpa_onnx

recognizer = sherpa_onnx.OfflineRecognizer.from_paraformer(
    paraformer="model.int8.onnx",
    tokens="tokens.txt",
    num_threads=2,
    sample_rate=16000,
    feature_dim=80,
    decoding_method="greedy_search",
)
stream = recognizer.create_stream()
stream.accept_waveform(16000, samples)  # samples: float32 列表, ±1.0 归一化
recognizer.decode_stream(stream)
result = stream.result
print("".join(result.tokens))     # 文本（无标点）
print(result.timestamps)          # 字级时间戳（秒），与 tokens 一一对应

输入约定：16 kHz 单声道 float32（±1.0）。ffmpeg 一行提取：

ffmpeg -y -v error -i video.mp4 -vn -ac 1 -ar 16000 -f wav audio.wav

⚠️ 不要整轨识别

sherpa-onnx 的 paraformer 长音频整轨识别会漏识别中段语音（实测长流退化）。长音频请切段（建议 ≤ 30 s/段）逐段识别后按偏移拼回时间轴。

下载本仓库

# 方式一：modelscope CLI
pip install -U modelscope
modelscope download --model <你的空间名>/sherpa-onnx-paraformer-zh-2023-09-14 --local_dir ./paraformer-zh

# 方式二：git
git lfs install
git clone https://www.modelscope.cn/<你的空间名>/sherpa-onnx-paraformer-zh-2023-09-14.git

License

Apache-2.0（与上游导出及底层 Paraformer 模型一致）。

infer_ASR

Model card