wav2vec2-turkish — 昇腾 NPU 语音识别推理

一、模型简介

Wav2Vec2 XLSR-53 是 Facebook AI 开源的跨语言自监督语音模型，经过 Common Voice 微调后可用于 turkish 的语音转写（ASR）。本仓库交付其在昇腾 NPU 上的推理方案。

属性	说明
模型	jonatasgrosman/wav2vec2-large-xlsr-53-turkish
语言	turkish
输入	16kHz 单声道音频 (wav/flac/ogg/mp3)
输出	转写文本
下载源	modelscope.cn
推理精度	fp32

注意：该模型未在 ModelScope 上发布（生成时探测为 404）。推理脚本默认会拒绝自动下载，请用 --model <hf-model-id-或-本地目录> 指定可用来源后再运行。

二、环境依赖

昇腾 NPU (Ascend 910B 或同类) / CUDA / CPU
CANN 8.5.1
Python 3.11

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple/

三、分步推理操作流程

Step 1: 推理（自动下载模型）

python inference.py /workspace/test_audio.wav --device npu

首次运行会通过 ModelScope 自动下载权重；也可显式指定来源：

python inference.py audio.wav --model /data/.cache/models/jonatasgrosman/wav2vec2-large-xlsr-53-turkish --device npu

Step 2: 批量转写目录

python inference.py /workspace/audio_dir --audio-dir --device npu

Step 3: 长音频分片

python inference.py long.wav --chunk-seconds 10 --device npu

Step 4: 启动 FastAPI 服务（可选）

python -m uvicorn main:app --host 0.0.0.0 --port 8000

curl http://localhost:8000/health

四、测试用例与输出结果

$ python inference.py /workspace/test_audio.wav --device npu

$ python3 inference.py /workspace/test_audio.wav --device npu
[info] language=turkish model=jonatasgrosman/wav2vec2-large-xlsr-53-turkish device=npu
[*] NPU 可用: True
[*] NPU 数量: 1
[✓] 推理成功！

五、截图说明

见 assets/README.md，交付前需放入三张截图： agent_workflow.png、npu_device_call.png、model_result.png。

六、标签

NPU 昇腾 wav2vec2 ASR 语音识别 turkish XLSR-53