zipformer-asr-turkish-v1

zipformer-asr-turkish-v1

用一个约 2000 万参数的小型流式识别器，把土耳其语语音实时转成文字，在单个 CPU 核心上就能实时运行，适合在边缘设备上做语音功能的开发者。

由 oayk 在 Hugging Face 上制作。这些说明是 Mindket 根据它的模型页面和模型卡写的，模型自己的文件和许可证在 Hugging Face 上。

简介

它是什么：这是一个约 2000 万参数的土耳其语语音识别器，为流式识别和小型设备而设计。它在人说话的同时把音频转成小写文字。在单个 CPU 核心上用 ONNX int8 就能实时跟上，延迟 640 毫秒，同一套权重也支持 320 毫秒的分块或完整上下文。

适合谁：需要在小型机器上做土耳其语语音转文字的开发者会觉得合适，比较土耳其语识别器的研究者也一样。输出是没有标点的口语化纯文本。

行业 | 谁在用 | 怎么用 | 例子
边缘设备 | 嵌入式开发者 | 在单个 CPU 核心上运行土耳其语识别 | 小型设备上的实时字幕
客户服务 | 语音工程师 | 在语音到达时转写土耳其语 | 通话的粗略实时记录
媒体 | 字幕团队 | 先从音频生成土耳其语文字草稿，再做编辑 | 字幕的初稿
研究 | 语音研究者 | 与其他土耳其语模型比较错误率 | 检查在 FLEURS 和 MediaSpeech 数据集上的分数

如果你需要带标点的文字或其他语言，可以跳过它，因为它输出的是没有标点的小写土耳其语。

用在哪里：

• sherpa-onnx，模型卡推荐用于设备
• 单个桌面 CPU 线程，使用 ONNX int8 文件
• PyTorch 和 icefall，用于模型卡里的研究型解码设置
• 装有 Python 的 Windows、macOS 或 Linux，用来下载文件

用途 | 适合谁 | 得到什么
实时转写 | 设备开发者 | 音频流入时同步产生的土耳其语文字
离线转写 | 分析师 | 利用完整上下文，从整段录音得到文字
分数对比 | 研究者 | 两个公开土耳其语测试集上的词错误率

如何设置：你需要 Python 和示例里导入的软件包。音频必须是 16 kHz 单声道。

• Windows、macOS 或 Linux 上的 Python
• numpy、soundfile 和 sherpa_onnx，示例里导入了它们
• 16 kHz 单声道音频，比如 WAV 文件

1. 安装 Hugging Face 的 hub 软件包。
2. 下载模型文件。
3. 安装示例里导入的软件包。
4. 让示例指向你想要的延迟对应的文件夹。

pip install -U huggingface_hub
hf download oayk/zipformer-asr-turkish-v1

如何使用：用 sherpa-onnx 运行流式示例。它像麦克风那样，每次送入 100 毫秒的音频，并在音频到达时解码。想要更低延迟就用 320 毫秒的文件夹。

import numpy as np, soundfile as sf, sherpa_onnx

d = "streaming-640ms"   # or "streaming-320ms"
rec = sherpa_onnx.OnlineRecognizer.from_transducer(
    tokens=f"{d}/tokens.txt", encoder=f"{d}/encoder.int8.onnx",
    decoder=f"{d}/decoder.int8.onnx", joiner=f"{d}/joiner.int8.onnx",
    num_threads=1, sample_rate=16000, feature_dim=80, decoding_method="greedy_search",
    enable_endpoint_detection=True)

x, sr = sf.read("example.wav", dtype="float32")
s = rec.create_stream()
for i in range(0, len(x), 1600):          # feed 100 ms at a time, like a microphone
    s.accept_waveform(sr, x[i:i + 1600])
    while rec.is_ready(s):
        rec.decode_stream(s)

工具 | 作用
streaming-640ms | 640 毫秒分块的 ONNX int8 文件，模型卡的默认选择
streaming-320ms | 320 毫秒分块的 ONNX int8 文件，延迟更低
offline-full-context | 一次读取整段录音的 ONNX int8 文件
sherpa_onnx OnlineRecognizer | 分段接收音频并解码的 Python 类

示例：你把一个土耳其语 WAV 文件按 100 毫秒一段送给识别器。它在音频到达时同步解码，返回小写的土耳其语文字，数字写成单词，没有标点。

新手与专家：语音识别就是把说出来的音频变成文字。一个好的第一步是用一段短的 16 kHz 单声道录音运行流式示例，读一读它产生的文字。

模型把因果 Zipformer2 编码器与剪枝的 RNN-T 头和辅助的 CTC 头配在一起。可选的 LSTM 语言模型增加 10.2M 参数。用束搜索、这个语言模型和 ILME，模型卡报告在 FLEURS 上一种归一化下是 5.28%，另一种是 6.50。640 毫秒的贪心 ONNX int8 分别是 8.05 和 6.80。测试集是内部的，没有公开。

你把 16 kHz 单声道音频分小段送入
编码器在每个分块到达时读取它
转录器头据此解码出词元
输出小写的土耳其语文字

Title: FLEURS 土耳其语词错误率，balbal 归一化，越低越好
Google Chirp 3 cloud: 1.72 percent
ElevenLabs Scribe cloud: 2.41 percent
Whisper large-v3: 3.77 percent
Whisper large-v3-turbo: 4.42 percent
This model, beam 8 with LM: 5.28 percent
This model, greedy ONNX int8: 6.80 percent

注意事项：

• License：apache-2.0，以 Hugging Face 上列出的为准
• Cost to run：没有提到。对比里的云端系统只是参考分数
• Data it reaches：你送入的音频，来源没有提到网络或账号访问
• 只列出了土耳其语一种语言
• Not for：带标点或大小写的输出，因为文字是没有标点的小写
• 分数来自作者自己的运行，并使用两种不同的文本归一化

Hugging Face 上的数据（2026年11月13日）

• 任务：automatic speech recognition
• 框架：icefall
• 最近 30 天下载：0
• 点赞：6
• 许可证：apache-2.0
• 语言：tr
• 标签：icefall, onnx, automatic-speech-recognition, speech, turkish, streaming, zipformer, transducer, rnn-t, sherpa-onnx, edge

链接

• 模型：https://huggingface.co/oayk/zipformer-asr-turkish-v1
• 文件：https://huggingface.co/oayk/zipformer-asr-turkish-v1/tree/main

获取模型

用 Hugging Face 的命令行下载它的文件：

pip install -U huggingface_hub
hf download oayk/zipformer-asr-turkish-v1

然后按它的模型卡使用它。这个工具包里没有会自己运行的东西。