SenseVoice（爱芯 NPU 版）

FunASR SenseVoiceSmall 在爱芯 NPU 上的部署包，支持 AX650N / AX630C / AX620Q 三芯。 官方模型仓库：https://github.com/FunAudioLLM/SenseVoice

特性

• 语音识别（ASR）：中文 / 英文 / 粤语 / 日语 / 韩语，自动语种识别
• 语音情感识别（SER）+ 声学事件分类（AEC）
• 自动标点（ITN/非流式）
• 流式识别（增量输出，带时间戳）
• 纯 NPU 推理（ax_engine），Python 与 C++ 双 SDK

支持平台与模型

芯片	模型目录	非流式	流式	工具链
AX650N	sensevoice_ax650/	✅	✅	Pulsar2 7.0
AX630C	sensevoice_ax630c/	✅	✅	Pulsar2 7.0（AX620E NPU2 full-core）
AX620Q（AXera Pi Zero）	sensevoice_ax620q/	✅	✅	Pulsar2 7.0（AX620E NPU2，与 AX630C 同 NPU）

每个模型目录内包含：sensevoice.axmodel、streaming_sensevoice.axmodel（流式）、 am.mvn、tokens.txt、chn_jpn_yue_eng_ko_spectok.bpe.model。

快速开始

1. 下载模型（三芯预编译）

./download_models.sh        # 下载 models/sensevoice_ax650|ax630c|ax620q

2. 安装 Python 环境

sudo apt-get install libsndfile-dev
cd python
pip install -r requirements.txt

安装 NPU Python API（pyaxengine，0.1.3rc2 测试通过）：

pip install https://github.com/AXERA-TECH/pyaxengine/releases/download/0.1.3.rc2/axengine-0.1.3-py3-none-any.whl

Python 示例

非流式识别（三芯）

cd python
# AX650N
python3 main.py -i ../example/zh.mp3 --chip ax650
# AX630C
python3 main.py -i ../example/zh.mp3 --chip ax630c
# AX620Q（AXera Pi Zero）
python3 main.py -i ../example/zh.mp3 --chip ax620q

示例输出（AX650N）：

RTF: 0.04386647134764582    Latency: 0.2463541030883789s  Total length: 5.616s
ASR result: 开饭时间早上九点至下午五点

英文：

python3 main.py -i ../example/en.mp3 --chip ax650

RTF: 0.036785734138361184    Latency: 0.2639744281768799s  Total length: 7.176s
ASR result: the tribal chieftain called for the boy and presented him with fifty pieces of gold

流式识别（三芯）

cd python
python3 main.py -i ../example/zh.mp3 --chip ax650 --streaming
python3 main.py -i ../example/zh.mp3 --chip ax630c --streaming
python3 main.py -i ../example/zh.mp3 --chip ax620q --streaming

示例输出（增量带时间戳）：

{'timestamps': [540], 'text': '开'}
{'timestamps': [540, 780, 1080], 'text': '开放时'}
{'timestamps': [540, 780, 1080, 1260, 1740], 'text': '开放时间早'}
{'timestamps': [540, 780, 1080, 1260, 1740, 1920, 2340], 'text': '开放时间早上9'}
{'timestamps': [540, 780, 1080, 1260, 1740, 1920, 2340, 2640], 'text': '开放时间早上9点'}
{'timestamps': [540, 780, 1080, 1260, 1740, 1920, 2340, 2640, 3060], 'text': '开放时间早上9点至'}
{'timestamps': [540, 780, 1080, 1260, 1740, 1920, 2340, 2640, 3060, 3780, 4020], 'text': '开放时间早上9点至下午'}
{'timestamps': [540, 780, 1080, 1260, 1740, 1920, 2340, 2640, 3060, 3780, 4020, 4440, 4620], 'text': '开放时间早上9点至下午五点'}
RTF: 0.03678379235444246

参数说明

参数	说明	默认值
--input/-i	输入音频文件（wav/mp3）	必填
--language/-l	识别语言：auto / zh / en / yue / ja / ko	auto
--chip/-c	目标芯片：ax650 / ax630c / ax620q	ax650
--streaming	流式识别	关

Gradio Demo

cd python
python3 gradio_demo.py

C++ 示例

预编译产物：cpp/ax650/、cpp/ax630c/、cpp/ax620q/（各自包含 test_sensevoice、asr_server、libax_asr_api.a、头文件）。 模型目录需为 models/sensevoice_ax*（内含 sensevoice/ 子目录，download_models.sh 下载的即为此结构）。

非流式识别（三芯）

# AX650N
./cpp/ax650/test_sensevoice -a example/zh.mp3 -t sensevoice -p models/sensevoice_ax650
# AX630C
./cpp/ax630c/test_sensevoice -a example/zh.mp3 -t sensevoice -p models/sensevoice_ax630c
# AX620Q（AXera Pi Zero，arm uclibc）
export LD_LIBRARY_PATH=/opt/lib:$LD_LIBRARY_PATH
./cpp/ax620q/test_sensevoice -a example/zh.mp3 -t sensevoice -p models/sensevoice_ax620q

示例输出（AX630C，wav 输入）：

Init asr: sensevoice success, take 0.6930seconds
Result: 开饭时间早上9点至下午5点。
RTF(0.60 / 5.62) = 0.1072

流式识别（三芯）

# 命令行演示：-s 流式模式（100ms 步长喂音频，打印增量结果）
./cpp/ax650/test_sensevoice -a example/zh.mp3 -t sensevoice -p models/sensevoice_ax650 -s
./cpp/ax630c/test_sensevoice -a example/zh.mp3 -t sensevoice -p models/sensevoice_ax630c -s
./cpp/ax620q/test_sensevoice -a example/zh.mp3 -t sensevoice -p models/sensevoice_ax620q -s

示例输出（AX630C）：

[  5.30s] 开放时间早上嗯九点至下
[  5.40s] 开放时间早上嗯九点至下
[  5.50s] 开放时间早上嗯九点至下
[  5.60s] 开放时间早上嗯九点至下
[FINAL] 开放时间早上嗯九点至下午五点
RTF(0.43 / 5.62) = 0.0759

库 API（增量识别）：

AX_ASR_StreamInit(handle);                       // 初始化流式状态
AX_ASR_StreamFeed(handle, pcm, n, 16000);        // 喂音频（float [-1,1]，16k）
AX_ASR_StreamResult(handle, &text);              // 获取当前增量结果
AX_ASR_StreamFinish(handle);                     // 喂完后收尾刷新

ASR 服务（asr_server）

./cpp/ax650/asr_server

C++ 源码

源码在 Github main 分支 （SenseVoice LFR 前端修复与 AX620Q 构建修复已合入 main，PR #10）。 流式专用模型的增量缓存等改动见 ml-inory/sensevoice.axera 的 cpp/ax_asr_api_streaming.patch。

性能参考（实测）

RTF = 推理耗时 / 音频时长。非流式每次推理对应 256 帧 chunk（2.56 s 音频）；流式每 10 帧推一次（对应 0.1 s 音频）。 数据为 ax_run_model 纯 NPU 实测（warmup=3, repeat=20）：

芯片	模式	7.0 RTF	5.0 原版 RTF	7.0 延迟/次
AX650N	非流式	0.014	0.021	~35 ms
AX650N	流式	0.11	0.13	~11 ms
AX630C	非流式	0.088	0.17	~224 ms
AX630C	流式	0.41	0.49	~41 ms
AX620Q	非流式	0.088*	—	~224 ms*
AX620Q	流式	0.41*	—	~41 ms*

端到端示例（zh.mp3，5.62 s，C++，AX630C 板）：非流式 RTF 0.107；流式（增量）RTF 0.076。

测量说明：AX650N 测于 AX650N 板；AX630C / AX620Q 测于 AX630C 板（两者为同一 NPU2 满核模型； AX620Q 因频率与 DDR 带宽较低，实机延迟会比上表 AX630C 板实测略高，待真实 AX620Q 板补充）。

模型版本说明

• 非流式：AX650 / AX630C / AX620Q 均为 Pulsar2 7.0 编译（INT8 + smooth quant； AX630C / AX620Q 使用同一 AX620E/NPU2 full-core 模型，可在 AX630C 板直接运行，较 5.0 原版快约 2 倍）
• 流式：三芯均为 Pulsar2 7.0 编译
• 支持从源码复现：导出 ONNX、校准与三芯编译脚本见 ml-inory/sensevoice.axera（model_convert/）

准确率

WER（Word-Error-Rate）：2.0%

复现：

./download_datasets.sh
cd python
python test_wer.py -d aishell -g datasets/ground_truth.txt --language zh

技术讨论

• GitHub Issues（AXERA-TECH/SenseVoice / ml-inory/sensevoice.axera）
• QQ 群：139953715