Node.js环境快速集成SenseVoice-Small语音识别服务最近在做一个智能客服项目需要处理大量的用户语音消息手动转文字效率太低于是我开始寻找合适的语音识别方案。试了几个开源模型要么部署复杂要么识别准确率不太理想。后来发现了SenseVoice-Small这个模型它号称在中文场景下表现不错而且提供了方便的API接口。作为一个Node.js开发者我第一时间就想把它集成到我的后端服务里。整个过程比我想象的要简单很多基本上就是安装几个包、写个函数、跑个示例半小时就能跑通。今天我就把这个过程整理出来如果你也在Node.js项目里需要语音识别功能跟着这篇教程走应该能快速搞定。1. 环境准备安装Node.js和必要依赖在开始写代码之前我们需要先把环境准备好。这里假设你已经有了一个Node.js项目如果没有的话创建一个新文件夹然后运行npm init -y初始化一下就行。1.1 检查Node.js版本SenseVoice-Small的API调用对Node.js版本没有特别严格的要求但建议使用较新的LTS版本比如Node.js 16.x或18.x。你可以在终端里运行下面的命令来检查当前版本node --version如果版本太旧可以去Node.js官网下载最新的LTS版本安装。我用的就是Node.js 18.17.0运行一切正常。1.2 安装必要的npm包我们需要安装两个核心的npm包axios用于发送HTTP请求form-data用于处理文件上传。这两个包都很常用安装起来也很快。在你的项目根目录下打开终端运行npm install axios form-data如果你打算像我一样写一个简单的Express服务器来提供文件上传接口那还需要安装Express和相关的中间件npm install express multer安装完成后你的package.json文件里应该能看到这些依赖。整个过程大概一两分钟网络好的话更快。2. 核心代码编写语音识别函数环境准备好之后我们就可以开始写核心的识别函数了。这个函数要做的事情很简单接收一个音频文件调用SenseVoice-Small的API然后把识别结果返回给我们。2.1 理解API的基本要求在写代码之前我们先了解一下SenseVoice-Small API的基本信息。它通常需要一个API密钥有的服务商叫Access Token来进行身份验证然后通过POST请求上传音频文件。音频格式支持常见的MP3、WAV等文件大小一般有限制比如不超过10MB。API的响应通常是JSON格式里面包含了识别出的文字内容有的还会返回置信度、时间戳等信息。我们这里主要关注文字内容。2.2 编写异步识别函数下面是一个完整的异步函数示例你可以直接复制到你的项目里然后根据自己的情况修改API地址和密钥。const axios require(axios); const FormData require(form-data); const fs require(fs); /** * 调用SenseVoice-Small API进行语音识别 * param {string} audioFilePath - 音频文件的本地路径 * param {string} apiKey - 你的API密钥 * returns {Promisestring} - 识别出的文本内容 */ async function transcribeAudio(audioFilePath, apiKey) { try { // 1. 创建FormData对象用于文件上传 const formData new FormData(); // 2. 添加音频文件到表单数据 // 这里的file字段名需要根据API文档确定有的可能是audio或file formData.append(file, fs.createReadStream(audioFilePath)); // 3. 设置请求头包括认证信息和表单边界 const headers { Authorization: Bearer ${apiKey}, ...formData.getHeaders() // 这个很重要会自动设置Content-Type和boundary }; // 4. 发送POST请求到API端点 // 注意这里的URL需要替换成实际的API地址 const response await axios.post(https://api.example.com/v1/transcribe, formData, { headers: headers, timeout: 30000 // 设置30秒超时长音频可能需要更长时间 }); // 5. 处理响应数据 // 假设API返回的JSON结构是 { text: 识别出的文字 } if (response.data response.data.text) { return response.data.text; } else { throw new Error(API响应格式不符合预期); } } catch (error) { // 错误处理 if (error.response) { // 服务器返回了错误状态码 console.error(API错误: ${error.response.status} - ${error.response.data}); throw new Error(识别失败: ${error.response.data.message || 未知错误}); } else if (error.request) { // 请求发送了但没有收到响应 console.error(网络错误: 无法连接到API服务器); throw new Error(网络连接失败请检查网络设置); } else { // 其他错误 console.error(请求配置错误:, error.message); throw error; } } } // 使用示例 async function main() { const apiKey your_api_key_here; // 替换成你的实际API密钥 const audioFile ./test-audio.wav; // 替换成你的音频文件路径 try { console.log(开始语音识别...); const text await transcribeAudio(audioFile, apiKey); console.log(识别结果:, text); } catch (error) { console.error(识别过程中出错:, error.message); } } // 如果直接运行这个文件就执行main函数 if (require.main module) { main(); } module.exports { transcribeAudio };这个函数做了几件关键的事情用FormData包装音频文件这样可以通过HTTP上传设置正确的请求头包括认证信息发送请求并处理响应做了比较完善的错误处理方便调试你可以把这个函数保存为一个独立的模块文件比如speech-to-text.js然后在其他地方引用它。3. 快速上手一个完整的Express服务器示例光有识别函数还不够我们通常需要一个Web接口来接收用户上传的音频文件。下面我写了一个简单的Express服务器它提供了一个文件上传接口用户上传音频文件后服务器调用SenseVoice-Small进行识别然后返回结果。3.1 创建Express服务器首先创建一个新的文件比如server.js然后写入以下代码const express require(express); const multer require(multer); const path require(path); const fs require(fs); const { transcribeAudio } require(./speech-to-text); // 引入我们刚才写的函数 const app express(); const port 3000; // 配置multer处理文件上传 // 这里我们设置文件存储在uploads/目录下 const upload multer({ dest: uploads/, // 上传文件存储目录 limits: { fileSize: 10 * 1024 * 1024, // 限制文件大小为10MB }, fileFilter: (req, file, cb) { // 只允许音频文件 const allowedMimes [audio/mpeg, audio/wav, audio/x-wav, audio/mp4]; if (allowedMimes.includes(file.mimetype)) { cb(null, true); } else { cb(new Error(只支持MP3、WAV、M4A等音频格式)); } } }); // 确保上传目录存在 if (!fs.existsSync(uploads)) { fs.mkdirSync(uploads); } // 设置API密钥实际项目中应该从环境变量读取 const API_KEY process.env.SENSEVOICE_API_KEY || your_api_key_here; // 健康检查接口 app.get(/, (req, res) { res.json({ service: SenseVoice-Small语音识别服务, status: 运行中, endpoints: { transcribe: POST /api/transcribe } }); }); // 语音识别接口 app.post(/api/transcribe, upload.single(audio), async (req, res) { try { if (!req.file) { return res.status(400).json({ error: 请上传音频文件 }); } console.log(收到上传文件: ${req.file.originalname} (${req.file.size} bytes)); // 调用识别函数 const audioPath req.file.path; const text await transcribeAudio(audioPath, API_KEY); // 识别成功后删除临时文件 fs.unlinkSync(audioPath); // 返回识别结果 res.json({ success: true, text: text, filename: req.file.originalname, timestamp: new Date().toISOString() }); } catch (error) { console.error(识别失败:, error.message); // 如果上传了文件但识别失败也删除临时文件 if (req.file fs.existsSync(req.file.path)) { fs.unlinkSync(req.file.path); } res.status(500).json({ success: false, error: error.message || 语音识别失败 }); } }); // 启动服务器 app.listen(port, () { console.log(语音识别服务已启动访问 http://localhost:${port}); console.log(上传接口: POST http://localhost:${port}/api/transcribe); }); module.exports app;3.2 测试你的服务器代码写好了我们来测试一下。首先确保你的speech-to-text.js和server.js在同一个目录下然后按照以下步骤操作启动服务器node server.js如果一切正常你会看到服务启动的提示信息。准备一个测试音频文件 找一个短的音频文件比如录一段今天天气不错的语音保存为WAV或MP3格式。放在项目目录下或者记下它的路径。使用curl测试接口 打开另一个终端窗口运行curl -X POST http://localhost:3000/api/transcribe \ -F audio/path/to/your/audio.wav把/path/to/your/audio.wav换成你音频文件的实际路径。查看结果 如果一切顺利你会收到一个JSON响应里面包含识别出的文字。你也可以用Postman或者写一个简单的前端页面来测试。我通常喜欢用Postman因为它可以方便地查看请求和响应的详细信息。4. 实用技巧与常见问题在实际使用中你可能会遇到一些问题。这里我整理了几个常见的场景和解决方法希望能帮你少走弯路。4.1 处理长音频文件SenseVoice-Small对单次上传的音频文件大小通常有限制比如10MB或20MB。如果你的音频文件比较大可以考虑以下几种方案方案一客户端分割在用户上传前在浏览器端就把长音频切成小段。可以用Web Audio API或者现有的JavaScript库来实现。方案二服务器端分割收到长音频后在服务器端用FFmpeg等工具分割成小段然后分段识别最后合并结果。方案三使用流式API如果SenseVoice-Small支持流式上传那是最好的方案。你可以边上传边识别不需要等整个文件上传完。不过这个需要API本身支持你需要查看具体的文档。4.2 提高识别准确率语音识别的准确率受很多因素影响这里有几个小技巧音频质量要好尽量使用清晰的音频背景噪音越小越好。采样率建议在16kHz以上。说话要清晰如果是用户录音可以提示用户说话清晰、语速适中。添加领域词汇如果识别特定领域的术语比如医疗、法律、技术名词可以看看API是否支持自定义词库。多语言支持如果需要识别其他语言确认SenseVoice-Small是否支持并在请求中指定语言参数。4.3 错误处理与重试网络请求总有可能失败所以好的错误处理和重试机制很重要。我通常会在识别函数里加上重试逻辑async function transcribeWithRetry(audioFilePath, apiKey, maxRetries 3) { let lastError; for (let i 0; i maxRetries; i) { try { return await transcribeAudio(audioFilePath, apiKey); } catch (error) { lastError error; console.warn(第${i 1}次识别失败: ${error.message}); // 如果是网络错误等待一下再重试 if (error.message.includes(网络) || error.message.includes(timeout)) { await new Promise(resolve setTimeout(resolve, 1000 * (i 1))); // 指数退避 continue; } // 如果是其他错误比如认证失败、格式错误直接抛出 throw error; } } throw lastError; // 所有重试都失败了 }4.4 性能优化建议如果你的应用会有大量并发请求可以考虑以下几点连接池Axios默认会重用HTTP连接但你可以进一步配置连接池大小。请求队列如果API有速率限制可以在服务器端实现请求队列避免超限。缓存结果对于相同的音频文件可以通过MD5哈希判断可以缓存识别结果避免重复识别。异步处理对于长音频可以考虑异步处理模式。用户上传后立即返回处理中然后用WebSocket或轮询通知用户结果。5. 总结整体用下来在Node.js里集成SenseVoice-Small语音识别还是挺简单的。核心就是安装axios和form-data这两个包然后写一个处理文件上传和API调用的函数。我提供的Express示例应该能帮你快速搭建一个可用的服务。实际部署的时候记得把API密钥放在环境变量里不要硬编码在代码中。对于生产环境你可能还需要添加更多的功能比如用户认证、请求限流、日志记录等。不过这些都属于Web开发的基础知识和你用什么语音识别服务关系不大。语音识别现在越来越普及了从智能客服到会议记录很多场景都能用上。SenseVoice-Small作为中文场景下的一个选择效果还不错。如果你刚开始接触建议先从小规模测试开始熟悉了API的调用方式和限制再逐步应用到实际业务中。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。