fasr-service-realtime

英文文档地址: README_EN.md

fasr 的 FastAPI realtime 服务插件。

当前 realtime service 只保留 realtime.fastapi.2pass。它要求配置 vad_model，并且 [service.asr_model] 和 [service.stream_asr_model] 至少配置一个；enhancement_model 是可选的，配置时必须支持 streaming。 另外 service 内置了一个 QwenASR 风格的能量门控 speech_gate，默认在 enhancement_model 之前执行；如果没有配置 enhancement_model，它也会直接作用在 VAD/ASR 之前。它只把被判定为非保留窗口的音频置零，不删除 sample，因此不会影响 时间戳。[service.enhancement_model] 里的 enhancement_strength 只在配置了 enhancement model 时用于 把增强结果和门控后的原音做 wet/dry mixing。

注册入口

服务 entry point：

• realtime.fastapi.2pass

router entry point：

• realtime.fastapi.2pass

CLI

fasr-service-realtime init --cfg realtime.cfg
fasr-service-realtime init \
  --cfg realtime.cfg \
  --vad fsmn_online \
  --asr paraformer \
  --stream-asr paraformer_online \
  --speech-gate energy
fasr-service-realtime init \
  --cfg realtime.cfg \
  --vad fsmn_online \
  --asr paraformer \
  --stream-asr paraformer_online \
  --punc ct_transformer

# init 默认会在每个参数上方写入 # 注释，方便理解参数作用；
# 如需生成纯配置文件，可以加 --no-comments。
fasr-service-realtime init --cfg realtime.cfg --no-comments

fasr-service-realtime serve --cfg realtime.cfg

fasr-service-realtime serve \
  --vad fsmn_online \
  --asr paraformer \
  --stream-asr paraformer_online \
  --host 0.0.0.0 \
  --port 8000

# 需要额外降噪时再加 --enhance
fasr-service-realtime serve \
  --vad fsmn_online \
  --asr paraformer \
  --stream-asr paraformer_online \
  --enhance rnnoise \
  --enhancement-strength 0.8

最小配置

[service]
@services = "realtime.fastapi.2pass"
host = "0.0.0.0"
port = 8000
debug_logging = false
cache_dir = null

[service.speech_gate]
@realtime_speech_gates = "energy"
speech_gate_before_enhancement = true

# 语音门控：ASR/降噪前的内置前处理，只衰减/静音，不删除采样点。
enabled = true

# 被判定为非语音的采样保留多少音量。升高会保留更多环境声、减少突兀静音；
# 降低会更彻底静音，0.0 表示完全静音。
attenuation = 0.0

# RMS 基础阈值。升高会更强地过滤低音量噪声，但可能切掉轻声说话；
# 降低会保留更轻的语音，但也更容易放过底噪。
base_thresh = 0.012

# 自适应噪声底之上的阈值倍率。升高会在嘈杂环境下更严格；
# 降低会更灵敏，适合轻声，但背景声更容易通过。
threshold_ratio = 2.0

[service.vad_model]
@vad_models = "fsmn_online"

[service.asr_model]
@asr_models = "paraformer"

[service.stream_asr_model]
@asr_models = "qwen3asr"
size = "large"
language = "Chinese"
hotwords = ["开锁", "转人工", "转人工服务"]

如需降噪，再额外添加：

[service.enhancement_model]
@enhancement_models = "deepfilternet"
enhancement_strength = 1.0

2Pass 配置说明

realtime.fastapi.2pass 可以用流式模型输出中间结果，用离线模型输出最终结果：

• [service.asr_model] 是可选的最终识别模型，配置后必须支持 batch transcribe
• [service.stream_asr_model] 是可选的中间结果模型，配置后必须支持 streaming push_chunk
• [service.punc_model] 是可选的最终标点恢复模型，只作用于 completed 最终文本
• [service.asr_model] 和 [service.stream_asr_model] 至少配置一个，服务不会隐式复用其中一个模型充当另一个角色
• 如果只配置 batch-only 的 [service.asr_model]，服务只在语音结束后返回最终结果，不返回中间结果
• 如果只配置 [service.stream_asr_model]，服务返回流式中间结果，并在模型输出 is_last=True 时返回 completed
• 如果 ASR 插件支持 hotwords，配置段中的热词是全站默认热词；session.update 中的热词会与它合并。对于 qwen3asr，合并后的热词会按官方 context 通道传给模型，但配置面只保留 hotwords

[service]
@services = "realtime.fastapi.2pass"
host = "0.0.0.0"
port = 8000
debug_logging = false
cache_dir = null

[service.speech_gate]
@realtime_speech_gates = "energy"
speech_gate_before_enhancement = true

# 语音门控：ASR/降噪前的内置前处理，只衰减/静音，不删除采样点。
enabled = true

# 被判定为非语音的采样保留多少音量。升高会保留更多环境声、减少突兀静音；
# 降低会更彻底静音，0.0 表示完全静音。
attenuation = 0.0

# RMS 基础阈值。升高会更强地过滤低音量噪声，但可能切掉轻声说话；
# 降低会保留更轻的语音，但也更容易放过底噪。
base_thresh = 0.012

# 自适应噪声底之上的阈值倍率。升高会在嘈杂环境下更严格；
# 降低会更灵敏，适合轻声，但背景声更容易通过。
threshold_ratio = 2.0

[service.vad_model]
@vad_models = "fsmn_online"

[service.asr_model]
@asr_models = "paraformer"

[service.stream_asr_model]
@asr_models = "paraformer_online"

[service.punc_model]
@punc_models = "ct_transformer"

如需降噪，再额外添加：

[service.enhancement_model]
@enhancement_models = "rnnoise"
enhancement_strength = 1.0

speech_gate 是 service 内置前置处理，不是 enhancement 插件。当前内置 energy。 默认 energy 只使用 10ms 窗口的 RMS 与自适应能量门限判断是否放行，参数更少、 更容易调。为了避免二值 gate 在真实人声里 产生“点点点”的硬切伪影，默认会填平 80ms 以内的语音中间短静音洞，并在边界做 5ms 淡入淡出。被过滤的片段只会衰减/静音，不会删除采样点，因此不会让后续时间戳 整体漂移。

扁平的 serve --vad/--asr/--stream-asr/... 只适合快速启动； --asr 和 --stream-asr 至少填一个，--enhance 可选。 如果配置了 --enhance 且想降低降噪激进程度，可以额外传 --enhancement-strength 0.7 这类值。 如果需要模型专属参数，请改用配置文件。

init 默认等价于 --vad silero --asr paraformer --stream-asr paraformer_online，默认不写 [service.enhancement_model]，也默认不写 [service.speech_gate]。如果需要生成带 降噪模型默认参数的配置，可以显式传 --enhance deepfilternet 或 --enhance rnnoise；如果需要生成 speech gate 配置，可以显式传 --speech-gate energy。

如果需要一份仅最终结果或仅流式结果的配置，可以通过参数选择：

fasr-service-realtime init --cfg realtime-final.cfg --stream-asr none
fasr-service-realtime init --cfg realtime-stream.cfg --asr none

Realtime API 文档

• 英文：REALTIME_API.md
• 中文：REALTIME_API_ZH.md

Demo

启动后打开 GET /demo，可以直接做两类联调：

• realtime 页支持麦克风、屏幕共享和本地音频文件三种输入源；本地文件会按 chunk 节奏推到 WebSocket，完整走 realtime 识别链路
• 页面可直接调 enhancement_strength、threshold、 silence_duration_ms、prefix_padding_ms 和完整的 speech_gate 参数； 每个可调参数旁边都有 ? 说明按钮
• 降噪体验页支持上传文件测试 /enhance。如果没有配置 enhancement_model， 接口仍会返回 WAV：有 speech_gate 时返回门控后的音频；两者都没有时返回原音并 在服务端输出 warning。

Client 示例

• Python client: client.py

调用 /enhance：

python services/fasr-service-realtime/client.py enhance input.wav output.wav \
  --server http://127.0.0.1:8000 \
  --enhancement-strength 0.8

如果省略 output.wav，客户端会优先使用服务端 Content-Disposition 返回的文件名：

python services/fasr-service-realtime/client.py enhance input.wav \
  --server http://127.0.0.1:8000